Identifikasi Nada Dasar dalam Tangga Nada Pentatonis pada Gitar Menggunakan Model LVQ
IDENTIFIKASI NADA DASAR DALAM TANGGA NADA
PENTATONIS PADA GITAR MENGGUNAKAN MODEL LVQ
TRI PUGUH SANTOSO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Nada Dasar
dalam Tangga Nada Pentatonis pada Gitar Menggunakan Model LVQ adalah
benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan
dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang
berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari
penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di
bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, April 2015
Tri Puguh Santoso
NIM G64124014
ABSTRAK
TRI PUGUH SANTOSO. Identifikasi Nada Dasar dalam Tangga Nada Pentatonis
pada Gitar menggunakan Model LVQ. Dibimbing oleh AZIZ KUSTIYO.
Melodi merupakan hal yang tidak dapat terpisahkan dalam komposisi
sebuah lagu atau musik instrumental. Agar melodi dapat dimainkan dengan
harmonis diperlukan pengetahuan akan nada dasar dalam tangga nada pada lagu
atau musik instrumental yang akan dimainkan, namun hal ini akan sangat sulit
bagi seorang pemula. Tujuan penelitian ini adalah mengidentifikasi nada dasar
dari melodi yang dipetik sebanyak lima kali secara berurutan dalam tangga nada
pentatonis dan menerapkan ekstraksi ciri mel-frequency cepstrum coefficient
(MFCC) dan model learning vector quantization (LVQ) sebagai classifier. Dalam
penelitian ini dilakukan dua tahap pengujian, tahap pertama mengenali nada
tunggal dengan model LVQ setelah data suara melodi disegmentasi dan
diekstraksi cirinya menggunakan MFCC, tahap kedua mengidentifikasi nada dasar
menggunakan algoritme template matching berdasarkan nada yang telah dikenali
pada pengujian tahap pertama. Hasil akurasi rata-rata terbaik pada penelitian ini
sebesar 100% dengan nilai koefisien cepstral 26.
Kata kunci: gitar, learning vector quantization, mel-frequency cepstrum
coefficient, melodi, pentatonis
ABSTRACT
TRI PUGUH SANTOSO. Pentatonic Root Scale Identification on Guitar Using
LVQ Model. Supervised by AZIZ KUSTIYO.
Melodies are inseparable things inside a song or instrumental music
composition. In order to produce a harmonious melody, knowledge of scale and
its root on a song or instrumental music are required. The objective of this
research was to identify a melody plucked five times in a row in pentatonic scale,
and apply mel-frequency cepstrum coefficient (MFCC) feature extraction and
learning vector quantization (LVQ) model as classifier. There were two test
phases in this research, the first phase was single tone recognition using LVQ
classification model after melodies voice data was segmented and extracted using
MFCC. The second phase identified the root scale using template matching
algorithm based on tones that had been identified in the first phase. The best
accuracy average result in this research was 100% based on 26 cepstral
coefficients.
Keywords: guitar, learning vector quantization, mel-frequency cepstrum
coefficient, melody, pentatonic
IDENTIFIKASI NADA DASAR DALAM TANGGA NADA
PENTATONIS PADA GITAR MENGGUNAKAN MODEL LVQ
TRI PUGUH SANTOSO
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
Penguji:
1 Dr Wisnu Ananta Kusuma, ST, MT
2 Toto Haryanto, SKom, MSi
Judul Skripsi : Identifikasi Nada Dasar dalam Tangga Nada Pentatonis pada Gitar
Menggunakan Model LVQ
Nama
: Tri Puguh Santoso
NIM
: G64124014
Disetujui oleh
Aziz Kustiyo, SSi, MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Alhamdulillah, atas izin dan rahmat dari Alloh Subhanahu Wa Ta’ala
penulis dapat menyelesaikan tugas akhir dengan judul Identifikasi Nada Dasar
dalam Tangga Nada Pentatonis pada Gitar menggunakan Model LVQ.
Penulis mengucapkan terima kasih kepada kedua orang tua dan seluruh
keluarga yang selalu mendo’akan dan memotivasi penulis dalam pengerjaan tugas
akhir ini. Di samping itu, ucapan terima kasih juga penulis ucapkan kepada dosen
pemimbing Bapak Aziz Kustiyo, SSi MKom atas do’a, waktu, ilmu, kesabaran,
nasihat, dan saran yang selalu diberikan selama pengerjaan tugas akhir ini. Bapak
Dr Wisnu Ananta Kusuma, ST MT dan Bapak Toto Haryanto, SKom MSi selaku
penguji atas waktu, ilmu, dan sarannya. Teman-teman satu bimbingan, temanteman alih jenis Ilmu Komputer angkatan 7 dan angkatan 6 atas kebersamaan,
dukungan dan bantuannya. Serta semua pihak yang telah ikut serta membantu
penulis dalam menyelesaikan tugas akhir ini. Semoga karya ilmiah ini dapat
memberikan manfaat.
Bogor, April 2015
Tri Puguh Santoso
DAFTAR ISI
DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
3
Data Penelitian
3
Tahapan Penelitian
3
Studi Pustaka
4
Pengambilan Data Nada Gitar
4
Praproses
4
HASIL DAN PEMBAHASAN
Parameter Percobaan
9
9
Pengambilan Nada pada Gitar
10
Praproses
10
Hasil Percobaan
10
Analisis Hasil Percobaan
12
SIMPULAN DAN SARAN
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
RIWAYAT HIDUP
20
DAFTAR TABEL
1
2
3
Set nada dalam tangga nada pentatonis
Parameter percobaan
Hasil pengenalan nada dasar pada learning rate 0.005
8
9
11
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
Nada yang diambil pada fretboard
Tahapan penelitian
Alur praproses
Alur segmentasi sinyal suara
Alur proses ekstraksi sinyal suara dengan MFCC
Arsitektur LVQ (Fausset 1994) dengan neuron input 13
Ilustrasi pengambilan nada pada gitar
Akurasi rata-rata pada koefisien cepstral 13
Visualisasi data latih vektor ciri ke-1
Visualisasi data latih vektor ciri ke-13
Visualisasi data latih vektor ciri ke-24
3
3
4
5
5
7
10
11
12
13
13
DAFTAR LAMPIRAN
1 Tabel kombinasi melodi pada data uji
2 Vektor ciri data latih
15
17
1
PENDAHULUAN
Latar Belakang
Melodi merupakan hal yang tidak dapat terpisahkan dalam komposisi
sebuah lagu atau musik instrumental, agar melodi dapat dimainkan dengan
harmonis diperlukan pengetahuan akan nada dasar pada tangga nada yang
dimainkan dalam sebuah lagu atau musik instrumental. Nada dasar adalah not
dasar yang terdapat dalam sebuah tangga nada. Tangga nada merupakan penataan
secara berurutan not-not yang menjadi materi dasar melodi untuk sebuah
komposisi (Kristianto 2005). Terdapat beberapa jenis tangga nada yang sering
digunakan dalam komposisi sebuah lagu atau musik instrumental, salah satunya
adalah tangga nada pentatonis.
Tangga nada pentatonis banyak digunakan untuk lagu-lagu rakyat atau
tradisional di Asia, Afrika, maupun di sebagian Eropa. Tangga nada pentatonis
juga banyak digunakan dalam musik rock, pop, blues, dan jazz. Disebut pentatonis
karena hanya mengandung lima not. Tangga nada pentatonis hampir sama dengan
tangga nada mayor dan minor natural, hanya saja ada dua nada yang dihilangkan
dari kedua tangga nada tersebut. Tangga nada pentatonis memiliki dua jenis skala
yaitu skala pentatonis major dan skala pentatonis minor. Tangga nada pentatonis
dapat dimainkan pada alat musik tiup maupun petik. Salah satu alat musik petik
yang sering digunakan dalam tangga nada pentatonis adalah gitar.
Gitar merupakan alat musik petik yang sangat populer dan sering
digunakan sebagai instrumen pengisi rhythm dan melodi dalam lagu. Bagi mereka
yang sudah piawai memainkan gitar tentu dapat dengan mudah mengetahui nada
dasar dari melodi yang didengarnya, namun bagi pemula tentunya hal tersebut
akan sangat sulit untuk dilakukan. Karena seorang pemula pada umumnya belum
mampu mengenali dengan baik nada yang dimainkan oleh orang lain. Di samping
itu pada tangga nada pentatonis terdapat 24 nada dasar. Setiap nada dasar tersusun
atas 5 nada tunggal, sehingga untuk setiap nada dasar terdapat sebanyak 5! (120)
kemungkinan urutan nada-nada tersebut.
Penelitian sebelumnya yang terkait dengan pengenalan nada pada gitar
pernah dilakukan oleh Haryono (2013) dan Budiarto (2014). Haryono (2013)
melakukan identifikasi chord gitar menggunakan teknik mel-frequency cepstrum
coefficient (MFCC) dan metode codebook dengan akurasi sebesar 98.89%.
Sedangkan Budiarto (2014) melakukan identifikasi chord gitar dengan
menggunakan teknik (MFCC) dan metode learning vector quantization (LVQ)
menghasilkan akurasi sebesar 83.65%. Kedua penelitian tersebut masih memiliki
keterbatasan yaitu hanya mampu mengenali dua chord dari gitar yang dimainkan,
sehingga belum dapat mengidentifikasi nada dasarnya.
Pada penelitian ini akan dilakukan identifikasi nada dasar berdasarkan 5
nada yang dipetik secara berurutan dengan menggunakan ekstraksi ciri MFCC,
metode LVQ, dan algoritme template matching.
2
Perumusan Masalah
Berdasarkan latar belakang di atas, maka perumusan masalah dalam
penelitian ini adalah bagaimana melakukan segmentasi nada yang dimainkan lalu
dilakukan identifikasi nada dasar dari tangga nada pentatonis yang dimainkan
dalam melodi tersebut menggunakan teknik MFCC sebagai pengenalan ciri,
model LVQ sebagai classifier dan algoritme template matching untuk identifikasi
nada dasar dalam tangga nada pentatonis.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1 Melakukan segmentasi nada secara otomatis.
2 Mengimplementasikan teknik ekstraksi ciri MFCC dan metode LVQ untuk
pengenalan nada-nada dalam melodi dan algoritme template matching untuk
identifikasi nada dasar dari melodi yang dimainkan dengan gitar dalam tangga
nada pentatonis.
3 Mengetahui akurasi dari hasil identifikasi nada dasar.
Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat memberikan informasi mengenai
nada dasar dari melodi yang dimainkan menggunakan tangga nada pentatonis,
sehingga dapat membantu masyarakat awam dan pemula yang baru belajar
bermain musik.
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini, yaitu:
Gitar yang digunakan adalah gitar akustik dengan senar string.
Gitar yang digunakan menggunakan standar tunning.
Data suara gitar yang digunakan sepanjang satu oktaf.
Tangga nada yang digunakan dalam identifikasi adalah tangga nada pentatonis.
Melodi yang dimainkan berisi lima not yang berbeda yang dimainkan secara
berurutan dengan 12 kombinasi melodi untuk setiap kelas nada dasar.
6 Birama yang digunakan adalah 4/4 dengan tempo 130 beats per minute, 160
beats per minute, 190 beats per minute, dan 220 beats per minute.
7 Hasil identifikasi meliputi 3 kategori yaitu, benar (teridentifikasi pentatonis
dengan nada dasar yang sesuai), salah (teridentifikasi pentatonis namun nada
dasar tidak sesuai), bukan pentaonis (teridentifikasi bukan sebagai tangga nada
pentatonis).
1
2
3
4
5
3
METODE
Data Penelitian
Data yang digunakan dalam penelitian ini adalah 12 nada pada oktaf C
kedua yang dimainkan dengan cara dipetik menggunakan pick lalu direkam
dengan sampling rate 11025Hz dalam bentuk file berekstensi WAV, 12 nada yang
digunakan yaitu C, C#, D, D#, E, F, F#, G, G#, A, A#, dan B.
Gambar 1 Nada yang diambil pada fretboard
Tahapan Penelitian
Tahapan-tahapan yang dilakukan pada penelitian ini dapat dilihat pada
Gambar 2.
Gambar 2 Tahapan penelitian
4
Studi Pustaka
Pada tahap ini, kegiatan yang dilakukan adalah pencarian dan pembelajaran
tentang apa yang diberkaitan dengan penelitian ini. Hal-hal yang dipelajari antara
lain tentang tangga nada pentatonis, ekstraksi ciri dengan MFCC, metode
klasifikasi LVQ dan algoritme template matching, serta teori yang terkait dengan
pemrosesan dan pengenalan suara.
Pengambilan Data Nada Gitar
Setiap nada direkam dengan pengulangan sebanyak 60 kali sehingga data
yang terkumpul sebanyak 720 data suara, 600 data suara dijadikan data latih, 12
data suara dijadikan data bobot awal dan 108 data suara sebagai data uji
percobaan pengujian nada tunggal. Untuk pengenalan nada dasar, data uji direkam
sebanyak 12 kombinasi berbeda dari 5 nada yang menyusun setiap kelas nada
dasar sehingga terkumpul 144 data uji. Birama yang digunakan untuk pengenalan
nada dasar adalah 4/4 dengan tempo 130 beats per minute, 160 beats per minute,
190 beats per minute, dan 220 beats per minute.
Praproses
Tahapan ini mengolah setiap data suara yang telah direkam. Alur dari
tahapan ini dapat dilihat pada Gambar 3. Pada tahap normalisasi setiap data suara
tersebut dibagi dengan nilai maksimumnya sehingga data suara memiliki nilai
mendekati maksimum 1 atau minimal -1. Tahap praproses selanjutnya adalah
segmentasi, pada tahap ini sinyal akan dibagi menjadi lima sinyal terpisah.
Selanjutnya adalah ekstraksi ciri sinyal suara menggunakan MFCC. MFCC
merupakan teknik ekstraksi ciri sinyal suara yang paling dikenal dan populer (Do
1994). Tujuan dilakukan ekstraksi ciri adalah mentransformasikan sinyal suara ke
dalam vektor-vektor ciri, yang pada setiap vektornya merepresentasikan informasi
yang terdapat pada beberapa frame.
Gambar 3 Alur praproses
Segmentasi Sinyal Suara
Pada tahap ini dilakukan frame blocking terhadap sinyal suara yang telah
dinormalisasi dengan panjang frame yang telah ditentukan sebelumnya. Kemudian,
jika nilai sinyal suara pada frame memenuhi kondisi nilai maksimum > 0.15 atau
5
nilai minimum < 0.15 maka frame tersebut akan disimpan, selainnya akan
diabaikan. Perulangan ini berlangsung sesuai dengan jumlah frame pada data uji.
Segmentasi sinyal suara hanya diterapkan pada data uji. Alur segmentasi sinyal
suara dapat dilihat pada Gambar 4.
Gambar 4 Alur segmentasi sinyal suara
Ekstraksi Ciri MFCC
Pada tahap ini akan dilakukan ekstraksi ciri sinyal suara yang telah
disegmentasi dengan menggunakan MFCC. Dalam MFCC terdapat beberapa
tahap dalam melakukan ekstraksi ciri. Alur proses MFCC dapat dilihat pada
Gambar 5.
Gambar 5 Alur proses ekstraksi sinyal suara dengan MFCC
6
Frame Blocking
Dalam tahap ini sinyal suara akan dibagi ke dalam blok-blok frame. Frame
yang bersebelahan akan saling overlap. Hal ini bertujuan agar tidak ada informasi
yang hilang pada saat proses windowing.
Windowing
Pada tahap ini setiap blok frame akan dilakukan windowing dengan fungsi
hamming window. Proses windowing ini bertujuan meminimalisasi ketidakberlanjutan sinyal pada awal dan akhir setiap frame (Do 1994). Berikut ini adalah
persamaan yang digunakan dalam proses windowing:
= .
− .
=
cos
Keterangan:
N = jumlah sampel pada setiap frame
n = indeks ke-…
w = nilai hamming window ke-n
= hasil windowing ke-n
= nilai data ke-n
��
−
,
, ≤
≤
≤
≤
−
−
(1)
(2)
Fast Fourier Transformation (FFT)
Pada tahap ini setiap blok frame sinyal suara dikonversi dari domain waktu
ke domain frekuensi untuk mendapatkan magnitude frequency response. FFT
perlu dilakukan agar mempermudah dalam proses selanjutnya. FFT merupakan
algoritme yang cepat dalam mengimplementasikan Discrete Fourier Transform
(DFT) (Do 1994).
−
cos (
�� = ∑
=
�
Keterangan:
N = jumlah sampel pada setiap frame
= nilai-nilai sampel
Xn = magnitude frekuensi
j = bilangan imajiner
) − sin (
�
)
Mel-frequency Wrapping
Pada proses ini akan dilakukan filtering pada setiap blok frame hasil dari
FFT. Filtering dilakukan dengan cara mengalikan setiap magnitude frequency
response dalam blok frame dengan filterbank untuk mendapatkan log energy dari
setiap filterbank.
� =
−
� (∑ |�
=
Keterangan:
Hi (k) = nilai filter segitiga ke-i
|�
), = , , ,…,
7
X(k) = nilai data ke-k hasil FFT
M
= jumlah filter
N
= banyaknya data
Cepstrum
Tahap ini melakukan konversi hasil mel-frequency ke domain waktu dengan
menggunakan Discrete Fourier Transform (DCT). Berikut adalah persamaan
yang digunakan dalam DCT.
� = ∑ � cos
=
−
Keterangan:
Cj = nilai koefisien C ke-j
j = jumlah koefisien cepstral
i = jumlah wrapping
Xi = hasil mel-frequency pada frekuensi ke-i
�
Pelatihan dan Pengujian Model LVQ
Learning vector quantization (LVQ) merupakan metode klasifikasi pola,
setiap neuron output pada LVQ mewakili kelas atau kategori tertentu. LVQ
mempunyai vektor bobot disetiap neuron output. Selama proses training, LVQ
melakukan update pada setiap vektor bobot dari neuron yang mewakili tiap kelas.
Setelah proses training selesai, akan dilakukan klasifikasi pada neuron input
sesuai dengan bobot akhir hasil training (Fausett 1994). Terdapat dua arsitektur
LVQ dalam penelitian ini, yaitu arsitektur dengan neuron input 13 dan neuron
input 26. Arsitektur dengan neuron input 13 dapat dilihat pada Gambar 6.
Gambar 6 Arsitektur LVQ (Fausset 1994) dengan neuron input 13
x
T
wj
Cj
Berikut adalah algoritme dari model LVQ menurut Fausett (1994):
= Vektor training(x1, …, xi, …, x)
= Kelas yang benar (acuan) untuk vektor training
= Vektor bobot untuk neuron output ke-j (w1j, …,wij, …,wj)
= Kelas dari neuron output ke-j
8
||x - wj|| = Jarak euclidean antara neuron input dengan vektor bobot untuk neuron
output ke-j
1 Inisialisasi vektor bobot awal dan learning rate α
2 Jika kondisi berhenti belum terpenuhi, lakukan tahap 3-6.
3 Untuk setiap vektor training x, lakukan tahap 4-5.
4 Temukan j hingga ||x – wj|| didapat nilai minimum.
5 Update vektor bobot dengan cara berikut:
Jika T = Cj maka
wj(new) = wj(old) + α [x – wj(old)];
Jika T ≠ Cj maka
wj(new) = wj(old) - α [x – wj(old)];
6 Perbarui learning rate α.
7 Cek kondisi berhenti.
Pengujian dilakukan dari data uji yang telah diekstraksi ciri menggunakan
MFCC kemudian diklasifikasi dengan model LVQ menggunakan bobot dari hasil
training LVQ data latihnya. Setiap nada gitar yang diuji akan diklasifikasikan kekelas yang sesuai.
Identifikasi Nada Dasar
Pada Tahap ini dilakukan identifikasi nada dasar berdasarkan kombinasi
nada hasil klasifikasi yang terdapat pada data uji. Dalam tangga nada pentatonis
setiap tangga nada memiliki pola atau susunan nada yang berbeda, sehingga
diperlukan kondisi atau syarat yang berbeda untuk identifikasi tiap tangga nada.
Pada penelitian ini identifikasi nada dasar dilakukan dengan menggunakan
algoritme template matching.
Algoritme template matching sebelumnya pernah digunakan oleh Lee
(2006) untuk pengenalan chord gitar dengan menggunakan 12-dimensional
template. Setiap biner pada 12-dimensional template dapat disamakan dengan
pitch class dalam chromatic scale. Dalam penelitian ini template telah dibuat
sebelumnya dengan set nada yang berbeda untuk setiap nada dasar dalam tangga
nada pentatonis seperti pada Tabel 1.
Tabel 1 Set nada dalam tangga nada pentatonis
Tangga Nada Pentatonis
C Major/A Minor
C# Major/A# Minor
D Major/B Minor
D# Major/C Minor
E Major/C# Minor
F Major/D Minor
F# Major/D# Minor
G Major/E Minor
G# Major/F Minor
A Major/F# Minor
A# Major/G Minor
B Major/G# Minor
C
C#
D
D#
E
F
F#
G
G#
A
A#
B
Set Nada
D E
G
D# F
G#
E
F# A
F
G A#
F# G# B
G A C
G# A# C#
A B D
A# C D#
B C# E
C D F
C# D# F#
A
A#
B
C
C#
D
D#
E
F
F#
G
G#
9
Pada tahap identifikasi nada dasar digunakan relative key untuk
mempermudah dalam mengidentifikasi tangga nada. Relative key merupakan
tangga nada major dan minor yang memiliki kesamaan jumlah key signature. Pada
tangga nada C major dan A minor pentatonis memiliki kesamaan set nada,
sehingga akan membentuk template yang sama.
Lingkungan Pengembangan
Penelitian ini dilakukan dengan menggunakan perangkat keras dan
perangkat lunak sebagai berikut:
Perangkat keras:
Intel® Core™ i5 CPU 2.53 GHz
RAM 2 GB
Monitor
Harddisk 500 GB
Mouse dan keyboard
Gitar Akustik Elektrik
Kabel Jack Mono
Guitar Link
Tuner dan ketronome
Perangkat lunak:
Sistem operasi Windows 8.1 Pro 32 bit
MATLAB 8.1 (R2013a)
Audacity 2.0.5
HASIL DAN PEMBAHASAN
Parameter Percobaan
Pada penelitian ini terdapat beberapa parameter yang digunakan dalam
percobaan, parameter percobaan tersebut meliputi segmentasi sinyal suara, LVQ,
dan MFCC.
Tabel 2 Parameter percobaan
Parameter
Nilai
Time frame
0.1 s
Segmentasi
Batas atas amplitudo
0.15
Sinyal Suara
Batas bawah amplitudo
-0.15
Neuron input
13 dan 26
Neuron output
12
LVQ
Learning rate
0.001, 0.002, 0.003, 0.004, 0.005
Epoch
150
Pengurangan learning rate
0.9
Time frame
0.023 s
Overlap
0.39
MFCC
Sampling rate
11025 Hz
Jumlah koefisien cepstral
13 dan 26
10
Berdasarkan Tabel 2 nilai time frame pada segmentasi sinyal suara lebih
besar dibandingkan dengan nilai time frame pada MFCC. Perbedaan nilai tersebut
sengaja dilakukan karena dengan blok frame yang lebih lebar maka komputasi
dalam segmentasi sinyal suara akan lebih cepat.
Pengambilan Nada pada Gitar
Nada pada gitar direkam dengan bantuan guitar link melalui perangkat
lunak Audacity. Untuk data latih, setiap nada direkam selama 2 detik dengan cara
dipetik menggunakan pick lalu disimpan ke dalam file berekstensi WAV,
sedangkan untuk durasi rekam data uji direkam berdasarkan tempo yang
digunakan. Tempo yang digunakan dalam data uji adalah 130 beats per minute,
160 beats per minute, 190 beats per minute, dan 220 beats per minute. Detail
urutan nada dalam data uji dapat dilihat pada Lampiran 1. Data uji merupakan
melodi dengan 5 kombinasi nada yang dipetik secara berurutan, terdapat 12 data
suara atau file data uji untuk setiap kelas nada dengan diberikan tempo yang
berbeda pada setiap 3 file. Pada Gambar 7 disajikan ilustrasi pengambilan nada
pada gitar.
Notebook
Gitar
Guitar Link
Gambar 7 Ilustrasi pengambilan nada pada gitar
Praproses
Pada tahap awal praproses, data suara dinormalisasi dengan cara membagi
semua nilai nada dengan nilai maksimum dari absolut nilai nada. Kemudian, pada
data uji akan dilakukan segmentasi. Setelah itu, pada setiap data suara hasil
segmentasi dilakukan ekstraksi ciri dengan menggunakan MFCC. Proses ekstraksi
ciri dengan MFCC ini dilakukan dengan menggunakan fungsi auditory toolbox
Matlab.
Hasil Percobaan
Penelitian ini memiliki hasil percobaan yang variatif pada nilai koefisien
cepstral 13. Hasil akurasi rata-rata dengan nilai learning rate 0.001, 0.002, 0.003,
0.004 dan 0.005 menunjukan bahwa dengan nilai koefisien cepstral 13 identifikasi
nada dasar dalam tangga pentatonis belum dapat menunjukan hasil yang baik.
11
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
Benar
Salah
Bukan Pentatonis
0.001
0.002
0.003
0.004
0.005
learning rate
Gambar 8 Akurasi rata-rata identifikasi nada dasar pada koefisien cepstral 13
Pada Gambar 8 disajikan akurasi rata-rata identifikasi nada dasar pada
koefisien cepstral 13. Pada Gambar 8 dapat dilihat bahwa akurasi rata-rata
tertinggi untuk kategori benar adalah 6.94% yang terdapat pada nilai learning rate
0.005. Jika dicermati terjadi peningkatan akurasi pada kategori benar seiring
dengan bertambahnya nilai learning rate. Namun sebagian besar hasil identifikasi
masih masuk ke dalam kategori bukan pentatonis. Penyebab kesalahan identifikasi
nada dasar tersebut adalah kurang beragamnya nilai vektor pada koefisien cepstral
13 yang menyebabkan kesalahan pengenalan nada tunggal pada tahap klasifikasi
dengan LVQ.
Tabel 3 Hasil pengenalan nada dasar pada learning rate 0.005
Kelas Nada Dasar Prediksi
D# E F F# G G#
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 1 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 3 0
0 0 2 0 0 0
0 0 0 0 0 0
0 0 5 0 0 0
0 0 0 0 0 0
Kelas Nada Dasar Aktual
C C# D
C
5 0 0
C# 0 0 0
D 0 0 0
D# 3 0 0
E
0 0 0
F
4 0 0
F# 0 0 0
G 2 0 0
G# 7 0 0
A 0 0 0
A# 7 0 0
B
0 0 0
Keterangan:
BN = Benar
SL = Salah
BP = Bukan Pentatonis
A A# B
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
2 0 0
0 0 0
0 0 0
Jumlah Prediksi
BN SL BP
5
0
7
0
0
12
0
0
12
0
4
8
0
0
12
0
4
8
0
0
12
3
2
7
0
9
3
2
0
10
0
12
0
0
0
12
12
Pada Tabel 3 disajikan hasil identifikasi nada dasar pada nilai learning rate
0.005. Kelas nada dasar yang memiliki hasil identifikasi nada dasar dengan
kategori benar terdapat pada kelas nada C major/A minor, G major/E minor, dan
A major/F# minor. Kelas nada dasar yang memiliki hasil identifikasi nada dasar
dengan kategori salah terdapat pada kelas nada dasar D# major/F# minor, F
major/D minor, G major/E minor, G# major/F minor, dan A# major/G minor.
Sedangkan untuk kelas nada dasar yang memiliki hasil identifikasi nada dasar
dengan kategori bukan pentatonis terdapat pada seluruh kelas nada kecuali pada
kelas nada dasar A# major/G minor.
Berdasarkan Tabel 3 jumlah data uji yang diidentifikasi ke dalam kategori
benar adalah 10 data uji. Data uji yang diidentifikasi ke dalam kategori salah
berjumlah 31 data uji, sedangkan yang diidentifikasi ke dalam kategori bukan
pentatonis berjumlah 103 data uji.
Pada hasil percobaan dengan nilai koefisien cepstral 26 memiliki hasil
akurasi 100% untuk semua nilai learning rate, hasil ini sangat jauh berbeda jika
dibandingkan dengan hasil akurasi yang didapat dari nilai koefisien cepstral 13.
Analisis Hasil Percobaan
Berdasarkan hasil percobaan pada penelitian ini didapatkan hasil akurasi
yang jauh berbeda antara nilai koefisien cepstral 13 dengan nilai koefisien
cepstral 26, dengan menggunakan nilai koefisien cepstral 13 hasil identifikasi
data uji yang berhasil diidentifikasi dengan benar hanya memiliki akurasi rata-rata
< 5%, sangat berbeda dengan hasil identifikasi data uji dengan nilai koefisien
cepstral 26 yang memiliki akurasi rata-rata 100% untuk setiap nilai learning rate.
Kesalahan yang terjadi dalam klasifikasi nada pada nilai koefisien cepstral
13 disebabkan oleh kedekatan nilai pada vektor ciri setiap kelas nada mulai dari
vektor ciri ke-1 sampai ke-13. Pada penelitian ini mulai dari vektor ciri ke-1
sampai dengan vektor ciri ke-6 semua kelas nada memiliki sebaran menyerupai
vektor ciri ke-1 seperti yang disajikan pada Gambar 9.
Gambar 9 Visualisasi data latih vektor ciri ke-1
Pada vektor ciri ke-7 sampai dengan vektor ciri ke-17 terjadi sedikit
perubahan sebaran dalam vektor ciri data latih, kemiripan vektor ciri kali ini
terdapat pada kelas nada yang berdekatan, sehingga memiliki sebaran meyerupai
vektor ciri ke-13 seperti pada Gambar 10.
13
Gambar 10 Visualisasi data latih vektor ciri ke-13
Untuk vektor ciri ke-18 sampai dengan vektor ciri ke-26 sebaran data mulai
beragam meski masih terdapat nilai yang berdekatan, sebaran data menyerupai
vektor ciri ke-24 yang disajikan pada Gambar 11. Untuk lebih lengkapnya,
keseluruhan visualisasi vektor ciri pada data latih dapat dilihat pada Lampiran 2.
Gambar 11 Visualisasi data latih vektor ciri ke-24
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan, dapat disimpulkan:
1 Penelitian ini berhasil menerapkan segmentasi melodi secara otomatis.
2 Penelitian ini berhasil menerapkan LVQ sebagai metode klasifikasi dan MFCC
sebagai teknik ekstraksi ciri dalam pengenalan nada dan algoritme template
matching untuk identifikasi nada dasar dalam tangga nada pentatonis pada gitar.
3 Pada nilai koefisien cepstral 13 akurasi tertinggi adalah 6.94%, sedangkan
pada nilai koefisien cesptral 26 akurasi tertinggi yang dihasilkan adalah 100%.
Saran
Saran yang dapat diberikan untuk penelitian selanjutnya yaitu, mencoba
identifikasi nada dasar dengan panjang melodi, birama dan tempo yang berbeda.
14
DAFTAR PUSTAKA
Budiarto A. 2014. Penerapan LVQ dengan inisialisasi K-Means untuk pengenalan
nada gitar dengan ekstraksi ciri MFCC [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Do MN. 1994. Digital signal processing mini-project: an automatic recognition
system [Internet]. [diunduh 2014 Jun 5]. Tersedia pada:
http://minhdo.ece.illinois.edu/teaching/speaker_recognition.
Fausett L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms,
and Applications. New Jersey (US): Prentice Hall.
Haryono T. 2013. Pengembangan model codebook untuk identifikasi chord gitar
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Kristianto J. 2005. Gitarpedia: Buku Pintar Gitaris. Jakarta (ID): PT.Gramedia
Pustaka Utama.
Lee K. 2006. Automatic chord recognition from audio using enhanced pitch class
profile. Di dalam: Proceedings of the 2006 International Computer Music
Conference; 2006 November 6-11, New Orleans, California. San Francisco
(US): International Computer Music Association. hlm 306-313.
15
Lampiran 1 Tabel kombinasi melodi pada data uji
Urutan
Data
Uji
Kombinasi Melodi
C major / A minor
C# major / A# minor
D major / B minor
D# major / C minor
E major / C# minor
F major / D minor
1
A
G
E
D
C
C#
D#
F
G#
A#
B
A
F#
E
D
D#
F
G
A#
C
E
F#
G#
B
C#
F
G
A
C
D
2
C
D
E
G
A
A#
G#
F
D#
C#
D
E
F#
A
B
C
A#
G
F
D#
C#
B
G#
F#
E
D
C
A
G
F
3
D
E
A
G
C
D#
F
A#
G#
C#
E
F#
B
A
D
F
G
C
A#
D#
F#
G#
C#
B
E
G
A
D
C
F
4
E
D
C
G
A
F
D#
C#
G#
A#
F#
E
D
A
B
G
F
D#
A#
C
G#
F#
E
B
C#
A
G
F
C
D
5
G
A
E
C
D
G#
A#
F
C#
D#
A
B
E
F#
D
A#
C
F
G
D#
B
C#
F#
G#
E
C
D
G
A
F
6
A
E
G
C
D
C#
D#
F
A#
G#
D
E
F#
B
A
D#
F
G
C
A#
E
F#
G#
C#
B
F
G
A
D
C
7
C
D
E
A
G
A#
F
G#
C#
D#
E
D
F#
A
B
F
D#
G
A#
C
F#
E
G#
B
C#
G
F
A
C
D
8
D
C
E
G
A
D#
C#
F
G#
A#
D
E
A
B
F#
D#
F
A#
C
G
E
F#
B
C#
G#
F
G
C
D
A
9
C
D
G
A
E
C#
D#
G#
A#
F
B
F#
A
D
E
C
G
A#
D#
F
C#
G#
B
E
F#
D
A
C
F
G
10
D
E
C
G
A
D#
F
C#
G#
A#
E
F#
D
A
B
F
G
D#
A#
C
F#
G#
E
B
C#
G
A
F
C
D
11
G
E
D
C
A
G#
F
D#
C#
A#
A
F#
E
D
B
A#
G
F
D#
C
B
G#
F#
E
C#
C
A
G
F
D
12
C
G
E
A
D
C#
G#
F
A#
D#
D
A
F#
B
E
D#
A#
G
C
F
E
B
G#
C#
F#
F
C
A
D
G
15
Lampiran 1 Lanjutan
16
Urutan
Data
Uji
Kombinasi Melodi
F# major / D# minor
G major / E minor
G# major / F minor
A major / F# minor
A# major / G minor
B major / G# minor
1
F#
G#
A#
C#
D#
G
A
B
D
E
G#
A#
C
D#
F
A
B
C#
E
F#
A#
C
D
F
G
B
C#
D#
F#
G#
2
D#
C#
A#
G#
F#
E
D
B
G
A
F
D#
C
A#
G#
F#
E
C#
B
A
G
F
D
C
A#
G#
F#
D#
C#
B
3
G#
A#
D#
C#
F#
A
B
E
D
G
A#
C
F
D#
G#
B
C#
F#
E
A
C
D
G
F
A#
C#
D#
G#
F#
B
4
A#
G#
F#
C#
D#
B
A
G
D
E
C
A#
G#
D#
F
C#
B
A
E
F#
D
C
A#
F
G
D#
C#
B
F#
G#
5
C#
D#
G#
A#
F#
D
E
A
B
G
D#
F
A#
C
G#
E
F#
B
C#
A
F
G
C
D
A#
F#
G#
C#
D#
B
6
F#
G#
A#
D#
C#
G
A
B
E
D
G#
A#
C
F
D#
A
B
C#
F#
E
A#
C
D
G
F
B
C#
D#
G#
F#
7
G#
F#
A#
C#
D#
G
A
B
D
E
A#
G#
C
D#
F
B
A
C#
E
F#
C
A#
D
F
G
C#
B
D#
F#
G#
8
F#
G#
C#
D#
A#
G
A
D
E
B
G#
A#
D#
F
C
A
B
E
F#
C#
A#
C
F
G
D
B
C#
F#
G#
D#
9
D#
A#
C#
F#
G#
E
B
D
G
A
F
C
D#
G#
A#
F#
C#
E
A
B
G
D
F
A#
C
G#
D#
F#
B
C#
10
G#
A#
F#
C#
D#
A
B
G
D
E
A#
C
G#
D#
F
B
C#
A
E
F#
C
D
A#
F
G
C#
D#
B
F#
G#
11
C#
A#
G#
F#
D#
D
B
A
G
E
D#
C
A#
G#
F
E
C#
B
A
F#
F
D
C
A#
G
F#
D#
C#
B
G#
12
F#
C#
A#
D#
G#
G
D
B
E
A
G#
D#
C
F
A#
A
E
C#
F#
B
A#
F
D
G
C
B
F#
D#
G#
C#
Keterangan:
- Tempo 130 beats per minute (Data Uji ke-1 sampai ke-3)
- Tempo 160 beats per minute (Data Uji ke-4 sampai ke-6)
- Tempo 190 beats per minute (Data Uji ke-7 sampai ke-9)
- Tempo 220 beats per minute (Data Uji ke-10 sampai ke-12)
Lampiran 2 Vektor ciri data latih
Ciri ke-1
Ciri ke-2
Ciri ke-3
Ciri ke-4
Ciri ke-5
Ciri ke-6
Ciri ke-7
Ciri ke-8
Ciri ke-9
Ciri ke-10
Ciri ke-11
Ciri ke-12
17
Lampiran 2 Lanjutan
Ciri ke-14
Ciri ke-15
Ciri ke-16
Ciri ke-17
Ciri ke-18
Ciri ke-19
Ciri ke-20
Ciri ke-21
Ciri ke-22
Ciri ke-23
Ciri ke-24
18
Ciri ke-13
Lampiran 2 Lanjutan
Ciri ke-25
Ciri ke-26
19
20
20
RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada 1 Maret 1990 dari Bapak Supoyo dan Ibu
Sudarsini, penulis merupakan anak ketiga dari tiga bersaudara. Pada tahun 2008
penulis lulus dari SMA Negeri 7 Kota Bogor dan pada tahun yang sama penulis
lulus seleksi dan masuk Program Diploma Institut Pertanian Bogor program
keahlian Teknik Komputer melalui jalur USMI. Penulis menyelesaikan studi
diploma selama tiga tahun dan lulus pada tahun 2011. Pada tahun 2012 penulis
melanjutkan studinya ke jenjang sarjana di Program Alih Jenis Institut Pertanian
Bogor, FMIPA Departemen Ilmu Komputer.
20
PENTATONIS PADA GITAR MENGGUNAKAN MODEL LVQ
TRI PUGUH SANTOSO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Nada Dasar
dalam Tangga Nada Pentatonis pada Gitar Menggunakan Model LVQ adalah
benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan
dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang
berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari
penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di
bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, April 2015
Tri Puguh Santoso
NIM G64124014
ABSTRAK
TRI PUGUH SANTOSO. Identifikasi Nada Dasar dalam Tangga Nada Pentatonis
pada Gitar menggunakan Model LVQ. Dibimbing oleh AZIZ KUSTIYO.
Melodi merupakan hal yang tidak dapat terpisahkan dalam komposisi
sebuah lagu atau musik instrumental. Agar melodi dapat dimainkan dengan
harmonis diperlukan pengetahuan akan nada dasar dalam tangga nada pada lagu
atau musik instrumental yang akan dimainkan, namun hal ini akan sangat sulit
bagi seorang pemula. Tujuan penelitian ini adalah mengidentifikasi nada dasar
dari melodi yang dipetik sebanyak lima kali secara berurutan dalam tangga nada
pentatonis dan menerapkan ekstraksi ciri mel-frequency cepstrum coefficient
(MFCC) dan model learning vector quantization (LVQ) sebagai classifier. Dalam
penelitian ini dilakukan dua tahap pengujian, tahap pertama mengenali nada
tunggal dengan model LVQ setelah data suara melodi disegmentasi dan
diekstraksi cirinya menggunakan MFCC, tahap kedua mengidentifikasi nada dasar
menggunakan algoritme template matching berdasarkan nada yang telah dikenali
pada pengujian tahap pertama. Hasil akurasi rata-rata terbaik pada penelitian ini
sebesar 100% dengan nilai koefisien cepstral 26.
Kata kunci: gitar, learning vector quantization, mel-frequency cepstrum
coefficient, melodi, pentatonis
ABSTRACT
TRI PUGUH SANTOSO. Pentatonic Root Scale Identification on Guitar Using
LVQ Model. Supervised by AZIZ KUSTIYO.
Melodies are inseparable things inside a song or instrumental music
composition. In order to produce a harmonious melody, knowledge of scale and
its root on a song or instrumental music are required. The objective of this
research was to identify a melody plucked five times in a row in pentatonic scale,
and apply mel-frequency cepstrum coefficient (MFCC) feature extraction and
learning vector quantization (LVQ) model as classifier. There were two test
phases in this research, the first phase was single tone recognition using LVQ
classification model after melodies voice data was segmented and extracted using
MFCC. The second phase identified the root scale using template matching
algorithm based on tones that had been identified in the first phase. The best
accuracy average result in this research was 100% based on 26 cepstral
coefficients.
Keywords: guitar, learning vector quantization, mel-frequency cepstrum
coefficient, melody, pentatonic
IDENTIFIKASI NADA DASAR DALAM TANGGA NADA
PENTATONIS PADA GITAR MENGGUNAKAN MODEL LVQ
TRI PUGUH SANTOSO
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
Penguji:
1 Dr Wisnu Ananta Kusuma, ST, MT
2 Toto Haryanto, SKom, MSi
Judul Skripsi : Identifikasi Nada Dasar dalam Tangga Nada Pentatonis pada Gitar
Menggunakan Model LVQ
Nama
: Tri Puguh Santoso
NIM
: G64124014
Disetujui oleh
Aziz Kustiyo, SSi, MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Alhamdulillah, atas izin dan rahmat dari Alloh Subhanahu Wa Ta’ala
penulis dapat menyelesaikan tugas akhir dengan judul Identifikasi Nada Dasar
dalam Tangga Nada Pentatonis pada Gitar menggunakan Model LVQ.
Penulis mengucapkan terima kasih kepada kedua orang tua dan seluruh
keluarga yang selalu mendo’akan dan memotivasi penulis dalam pengerjaan tugas
akhir ini. Di samping itu, ucapan terima kasih juga penulis ucapkan kepada dosen
pemimbing Bapak Aziz Kustiyo, SSi MKom atas do’a, waktu, ilmu, kesabaran,
nasihat, dan saran yang selalu diberikan selama pengerjaan tugas akhir ini. Bapak
Dr Wisnu Ananta Kusuma, ST MT dan Bapak Toto Haryanto, SKom MSi selaku
penguji atas waktu, ilmu, dan sarannya. Teman-teman satu bimbingan, temanteman alih jenis Ilmu Komputer angkatan 7 dan angkatan 6 atas kebersamaan,
dukungan dan bantuannya. Serta semua pihak yang telah ikut serta membantu
penulis dalam menyelesaikan tugas akhir ini. Semoga karya ilmiah ini dapat
memberikan manfaat.
Bogor, April 2015
Tri Puguh Santoso
DAFTAR ISI
DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
3
Data Penelitian
3
Tahapan Penelitian
3
Studi Pustaka
4
Pengambilan Data Nada Gitar
4
Praproses
4
HASIL DAN PEMBAHASAN
Parameter Percobaan
9
9
Pengambilan Nada pada Gitar
10
Praproses
10
Hasil Percobaan
10
Analisis Hasil Percobaan
12
SIMPULAN DAN SARAN
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
RIWAYAT HIDUP
20
DAFTAR TABEL
1
2
3
Set nada dalam tangga nada pentatonis
Parameter percobaan
Hasil pengenalan nada dasar pada learning rate 0.005
8
9
11
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
Nada yang diambil pada fretboard
Tahapan penelitian
Alur praproses
Alur segmentasi sinyal suara
Alur proses ekstraksi sinyal suara dengan MFCC
Arsitektur LVQ (Fausset 1994) dengan neuron input 13
Ilustrasi pengambilan nada pada gitar
Akurasi rata-rata pada koefisien cepstral 13
Visualisasi data latih vektor ciri ke-1
Visualisasi data latih vektor ciri ke-13
Visualisasi data latih vektor ciri ke-24
3
3
4
5
5
7
10
11
12
13
13
DAFTAR LAMPIRAN
1 Tabel kombinasi melodi pada data uji
2 Vektor ciri data latih
15
17
1
PENDAHULUAN
Latar Belakang
Melodi merupakan hal yang tidak dapat terpisahkan dalam komposisi
sebuah lagu atau musik instrumental, agar melodi dapat dimainkan dengan
harmonis diperlukan pengetahuan akan nada dasar pada tangga nada yang
dimainkan dalam sebuah lagu atau musik instrumental. Nada dasar adalah not
dasar yang terdapat dalam sebuah tangga nada. Tangga nada merupakan penataan
secara berurutan not-not yang menjadi materi dasar melodi untuk sebuah
komposisi (Kristianto 2005). Terdapat beberapa jenis tangga nada yang sering
digunakan dalam komposisi sebuah lagu atau musik instrumental, salah satunya
adalah tangga nada pentatonis.
Tangga nada pentatonis banyak digunakan untuk lagu-lagu rakyat atau
tradisional di Asia, Afrika, maupun di sebagian Eropa. Tangga nada pentatonis
juga banyak digunakan dalam musik rock, pop, blues, dan jazz. Disebut pentatonis
karena hanya mengandung lima not. Tangga nada pentatonis hampir sama dengan
tangga nada mayor dan minor natural, hanya saja ada dua nada yang dihilangkan
dari kedua tangga nada tersebut. Tangga nada pentatonis memiliki dua jenis skala
yaitu skala pentatonis major dan skala pentatonis minor. Tangga nada pentatonis
dapat dimainkan pada alat musik tiup maupun petik. Salah satu alat musik petik
yang sering digunakan dalam tangga nada pentatonis adalah gitar.
Gitar merupakan alat musik petik yang sangat populer dan sering
digunakan sebagai instrumen pengisi rhythm dan melodi dalam lagu. Bagi mereka
yang sudah piawai memainkan gitar tentu dapat dengan mudah mengetahui nada
dasar dari melodi yang didengarnya, namun bagi pemula tentunya hal tersebut
akan sangat sulit untuk dilakukan. Karena seorang pemula pada umumnya belum
mampu mengenali dengan baik nada yang dimainkan oleh orang lain. Di samping
itu pada tangga nada pentatonis terdapat 24 nada dasar. Setiap nada dasar tersusun
atas 5 nada tunggal, sehingga untuk setiap nada dasar terdapat sebanyak 5! (120)
kemungkinan urutan nada-nada tersebut.
Penelitian sebelumnya yang terkait dengan pengenalan nada pada gitar
pernah dilakukan oleh Haryono (2013) dan Budiarto (2014). Haryono (2013)
melakukan identifikasi chord gitar menggunakan teknik mel-frequency cepstrum
coefficient (MFCC) dan metode codebook dengan akurasi sebesar 98.89%.
Sedangkan Budiarto (2014) melakukan identifikasi chord gitar dengan
menggunakan teknik (MFCC) dan metode learning vector quantization (LVQ)
menghasilkan akurasi sebesar 83.65%. Kedua penelitian tersebut masih memiliki
keterbatasan yaitu hanya mampu mengenali dua chord dari gitar yang dimainkan,
sehingga belum dapat mengidentifikasi nada dasarnya.
Pada penelitian ini akan dilakukan identifikasi nada dasar berdasarkan 5
nada yang dipetik secara berurutan dengan menggunakan ekstraksi ciri MFCC,
metode LVQ, dan algoritme template matching.
2
Perumusan Masalah
Berdasarkan latar belakang di atas, maka perumusan masalah dalam
penelitian ini adalah bagaimana melakukan segmentasi nada yang dimainkan lalu
dilakukan identifikasi nada dasar dari tangga nada pentatonis yang dimainkan
dalam melodi tersebut menggunakan teknik MFCC sebagai pengenalan ciri,
model LVQ sebagai classifier dan algoritme template matching untuk identifikasi
nada dasar dalam tangga nada pentatonis.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1 Melakukan segmentasi nada secara otomatis.
2 Mengimplementasikan teknik ekstraksi ciri MFCC dan metode LVQ untuk
pengenalan nada-nada dalam melodi dan algoritme template matching untuk
identifikasi nada dasar dari melodi yang dimainkan dengan gitar dalam tangga
nada pentatonis.
3 Mengetahui akurasi dari hasil identifikasi nada dasar.
Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat memberikan informasi mengenai
nada dasar dari melodi yang dimainkan menggunakan tangga nada pentatonis,
sehingga dapat membantu masyarakat awam dan pemula yang baru belajar
bermain musik.
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini, yaitu:
Gitar yang digunakan adalah gitar akustik dengan senar string.
Gitar yang digunakan menggunakan standar tunning.
Data suara gitar yang digunakan sepanjang satu oktaf.
Tangga nada yang digunakan dalam identifikasi adalah tangga nada pentatonis.
Melodi yang dimainkan berisi lima not yang berbeda yang dimainkan secara
berurutan dengan 12 kombinasi melodi untuk setiap kelas nada dasar.
6 Birama yang digunakan adalah 4/4 dengan tempo 130 beats per minute, 160
beats per minute, 190 beats per minute, dan 220 beats per minute.
7 Hasil identifikasi meliputi 3 kategori yaitu, benar (teridentifikasi pentatonis
dengan nada dasar yang sesuai), salah (teridentifikasi pentatonis namun nada
dasar tidak sesuai), bukan pentaonis (teridentifikasi bukan sebagai tangga nada
pentatonis).
1
2
3
4
5
3
METODE
Data Penelitian
Data yang digunakan dalam penelitian ini adalah 12 nada pada oktaf C
kedua yang dimainkan dengan cara dipetik menggunakan pick lalu direkam
dengan sampling rate 11025Hz dalam bentuk file berekstensi WAV, 12 nada yang
digunakan yaitu C, C#, D, D#, E, F, F#, G, G#, A, A#, dan B.
Gambar 1 Nada yang diambil pada fretboard
Tahapan Penelitian
Tahapan-tahapan yang dilakukan pada penelitian ini dapat dilihat pada
Gambar 2.
Gambar 2 Tahapan penelitian
4
Studi Pustaka
Pada tahap ini, kegiatan yang dilakukan adalah pencarian dan pembelajaran
tentang apa yang diberkaitan dengan penelitian ini. Hal-hal yang dipelajari antara
lain tentang tangga nada pentatonis, ekstraksi ciri dengan MFCC, metode
klasifikasi LVQ dan algoritme template matching, serta teori yang terkait dengan
pemrosesan dan pengenalan suara.
Pengambilan Data Nada Gitar
Setiap nada direkam dengan pengulangan sebanyak 60 kali sehingga data
yang terkumpul sebanyak 720 data suara, 600 data suara dijadikan data latih, 12
data suara dijadikan data bobot awal dan 108 data suara sebagai data uji
percobaan pengujian nada tunggal. Untuk pengenalan nada dasar, data uji direkam
sebanyak 12 kombinasi berbeda dari 5 nada yang menyusun setiap kelas nada
dasar sehingga terkumpul 144 data uji. Birama yang digunakan untuk pengenalan
nada dasar adalah 4/4 dengan tempo 130 beats per minute, 160 beats per minute,
190 beats per minute, dan 220 beats per minute.
Praproses
Tahapan ini mengolah setiap data suara yang telah direkam. Alur dari
tahapan ini dapat dilihat pada Gambar 3. Pada tahap normalisasi setiap data suara
tersebut dibagi dengan nilai maksimumnya sehingga data suara memiliki nilai
mendekati maksimum 1 atau minimal -1. Tahap praproses selanjutnya adalah
segmentasi, pada tahap ini sinyal akan dibagi menjadi lima sinyal terpisah.
Selanjutnya adalah ekstraksi ciri sinyal suara menggunakan MFCC. MFCC
merupakan teknik ekstraksi ciri sinyal suara yang paling dikenal dan populer (Do
1994). Tujuan dilakukan ekstraksi ciri adalah mentransformasikan sinyal suara ke
dalam vektor-vektor ciri, yang pada setiap vektornya merepresentasikan informasi
yang terdapat pada beberapa frame.
Gambar 3 Alur praproses
Segmentasi Sinyal Suara
Pada tahap ini dilakukan frame blocking terhadap sinyal suara yang telah
dinormalisasi dengan panjang frame yang telah ditentukan sebelumnya. Kemudian,
jika nilai sinyal suara pada frame memenuhi kondisi nilai maksimum > 0.15 atau
5
nilai minimum < 0.15 maka frame tersebut akan disimpan, selainnya akan
diabaikan. Perulangan ini berlangsung sesuai dengan jumlah frame pada data uji.
Segmentasi sinyal suara hanya diterapkan pada data uji. Alur segmentasi sinyal
suara dapat dilihat pada Gambar 4.
Gambar 4 Alur segmentasi sinyal suara
Ekstraksi Ciri MFCC
Pada tahap ini akan dilakukan ekstraksi ciri sinyal suara yang telah
disegmentasi dengan menggunakan MFCC. Dalam MFCC terdapat beberapa
tahap dalam melakukan ekstraksi ciri. Alur proses MFCC dapat dilihat pada
Gambar 5.
Gambar 5 Alur proses ekstraksi sinyal suara dengan MFCC
6
Frame Blocking
Dalam tahap ini sinyal suara akan dibagi ke dalam blok-blok frame. Frame
yang bersebelahan akan saling overlap. Hal ini bertujuan agar tidak ada informasi
yang hilang pada saat proses windowing.
Windowing
Pada tahap ini setiap blok frame akan dilakukan windowing dengan fungsi
hamming window. Proses windowing ini bertujuan meminimalisasi ketidakberlanjutan sinyal pada awal dan akhir setiap frame (Do 1994). Berikut ini adalah
persamaan yang digunakan dalam proses windowing:
= .
− .
=
cos
Keterangan:
N = jumlah sampel pada setiap frame
n = indeks ke-…
w = nilai hamming window ke-n
= hasil windowing ke-n
= nilai data ke-n
��
−
,
, ≤
≤
≤
≤
−
−
(1)
(2)
Fast Fourier Transformation (FFT)
Pada tahap ini setiap blok frame sinyal suara dikonversi dari domain waktu
ke domain frekuensi untuk mendapatkan magnitude frequency response. FFT
perlu dilakukan agar mempermudah dalam proses selanjutnya. FFT merupakan
algoritme yang cepat dalam mengimplementasikan Discrete Fourier Transform
(DFT) (Do 1994).
−
cos (
�� = ∑
=
�
Keterangan:
N = jumlah sampel pada setiap frame
= nilai-nilai sampel
Xn = magnitude frekuensi
j = bilangan imajiner
) − sin (
�
)
Mel-frequency Wrapping
Pada proses ini akan dilakukan filtering pada setiap blok frame hasil dari
FFT. Filtering dilakukan dengan cara mengalikan setiap magnitude frequency
response dalam blok frame dengan filterbank untuk mendapatkan log energy dari
setiap filterbank.
� =
−
� (∑ |�
=
Keterangan:
Hi (k) = nilai filter segitiga ke-i
|�
), = , , ,…,
7
X(k) = nilai data ke-k hasil FFT
M
= jumlah filter
N
= banyaknya data
Cepstrum
Tahap ini melakukan konversi hasil mel-frequency ke domain waktu dengan
menggunakan Discrete Fourier Transform (DCT). Berikut adalah persamaan
yang digunakan dalam DCT.
� = ∑ � cos
=
−
Keterangan:
Cj = nilai koefisien C ke-j
j = jumlah koefisien cepstral
i = jumlah wrapping
Xi = hasil mel-frequency pada frekuensi ke-i
�
Pelatihan dan Pengujian Model LVQ
Learning vector quantization (LVQ) merupakan metode klasifikasi pola,
setiap neuron output pada LVQ mewakili kelas atau kategori tertentu. LVQ
mempunyai vektor bobot disetiap neuron output. Selama proses training, LVQ
melakukan update pada setiap vektor bobot dari neuron yang mewakili tiap kelas.
Setelah proses training selesai, akan dilakukan klasifikasi pada neuron input
sesuai dengan bobot akhir hasil training (Fausett 1994). Terdapat dua arsitektur
LVQ dalam penelitian ini, yaitu arsitektur dengan neuron input 13 dan neuron
input 26. Arsitektur dengan neuron input 13 dapat dilihat pada Gambar 6.
Gambar 6 Arsitektur LVQ (Fausset 1994) dengan neuron input 13
x
T
wj
Cj
Berikut adalah algoritme dari model LVQ menurut Fausett (1994):
= Vektor training(x1, …, xi, …, x)
= Kelas yang benar (acuan) untuk vektor training
= Vektor bobot untuk neuron output ke-j (w1j, …,wij, …,wj)
= Kelas dari neuron output ke-j
8
||x - wj|| = Jarak euclidean antara neuron input dengan vektor bobot untuk neuron
output ke-j
1 Inisialisasi vektor bobot awal dan learning rate α
2 Jika kondisi berhenti belum terpenuhi, lakukan tahap 3-6.
3 Untuk setiap vektor training x, lakukan tahap 4-5.
4 Temukan j hingga ||x – wj|| didapat nilai minimum.
5 Update vektor bobot dengan cara berikut:
Jika T = Cj maka
wj(new) = wj(old) + α [x – wj(old)];
Jika T ≠ Cj maka
wj(new) = wj(old) - α [x – wj(old)];
6 Perbarui learning rate α.
7 Cek kondisi berhenti.
Pengujian dilakukan dari data uji yang telah diekstraksi ciri menggunakan
MFCC kemudian diklasifikasi dengan model LVQ menggunakan bobot dari hasil
training LVQ data latihnya. Setiap nada gitar yang diuji akan diklasifikasikan kekelas yang sesuai.
Identifikasi Nada Dasar
Pada Tahap ini dilakukan identifikasi nada dasar berdasarkan kombinasi
nada hasil klasifikasi yang terdapat pada data uji. Dalam tangga nada pentatonis
setiap tangga nada memiliki pola atau susunan nada yang berbeda, sehingga
diperlukan kondisi atau syarat yang berbeda untuk identifikasi tiap tangga nada.
Pada penelitian ini identifikasi nada dasar dilakukan dengan menggunakan
algoritme template matching.
Algoritme template matching sebelumnya pernah digunakan oleh Lee
(2006) untuk pengenalan chord gitar dengan menggunakan 12-dimensional
template. Setiap biner pada 12-dimensional template dapat disamakan dengan
pitch class dalam chromatic scale. Dalam penelitian ini template telah dibuat
sebelumnya dengan set nada yang berbeda untuk setiap nada dasar dalam tangga
nada pentatonis seperti pada Tabel 1.
Tabel 1 Set nada dalam tangga nada pentatonis
Tangga Nada Pentatonis
C Major/A Minor
C# Major/A# Minor
D Major/B Minor
D# Major/C Minor
E Major/C# Minor
F Major/D Minor
F# Major/D# Minor
G Major/E Minor
G# Major/F Minor
A Major/F# Minor
A# Major/G Minor
B Major/G# Minor
C
C#
D
D#
E
F
F#
G
G#
A
A#
B
Set Nada
D E
G
D# F
G#
E
F# A
F
G A#
F# G# B
G A C
G# A# C#
A B D
A# C D#
B C# E
C D F
C# D# F#
A
A#
B
C
C#
D
D#
E
F
F#
G
G#
9
Pada tahap identifikasi nada dasar digunakan relative key untuk
mempermudah dalam mengidentifikasi tangga nada. Relative key merupakan
tangga nada major dan minor yang memiliki kesamaan jumlah key signature. Pada
tangga nada C major dan A minor pentatonis memiliki kesamaan set nada,
sehingga akan membentuk template yang sama.
Lingkungan Pengembangan
Penelitian ini dilakukan dengan menggunakan perangkat keras dan
perangkat lunak sebagai berikut:
Perangkat keras:
Intel® Core™ i5 CPU 2.53 GHz
RAM 2 GB
Monitor
Harddisk 500 GB
Mouse dan keyboard
Gitar Akustik Elektrik
Kabel Jack Mono
Guitar Link
Tuner dan ketronome
Perangkat lunak:
Sistem operasi Windows 8.1 Pro 32 bit
MATLAB 8.1 (R2013a)
Audacity 2.0.5
HASIL DAN PEMBAHASAN
Parameter Percobaan
Pada penelitian ini terdapat beberapa parameter yang digunakan dalam
percobaan, parameter percobaan tersebut meliputi segmentasi sinyal suara, LVQ,
dan MFCC.
Tabel 2 Parameter percobaan
Parameter
Nilai
Time frame
0.1 s
Segmentasi
Batas atas amplitudo
0.15
Sinyal Suara
Batas bawah amplitudo
-0.15
Neuron input
13 dan 26
Neuron output
12
LVQ
Learning rate
0.001, 0.002, 0.003, 0.004, 0.005
Epoch
150
Pengurangan learning rate
0.9
Time frame
0.023 s
Overlap
0.39
MFCC
Sampling rate
11025 Hz
Jumlah koefisien cepstral
13 dan 26
10
Berdasarkan Tabel 2 nilai time frame pada segmentasi sinyal suara lebih
besar dibandingkan dengan nilai time frame pada MFCC. Perbedaan nilai tersebut
sengaja dilakukan karena dengan blok frame yang lebih lebar maka komputasi
dalam segmentasi sinyal suara akan lebih cepat.
Pengambilan Nada pada Gitar
Nada pada gitar direkam dengan bantuan guitar link melalui perangkat
lunak Audacity. Untuk data latih, setiap nada direkam selama 2 detik dengan cara
dipetik menggunakan pick lalu disimpan ke dalam file berekstensi WAV,
sedangkan untuk durasi rekam data uji direkam berdasarkan tempo yang
digunakan. Tempo yang digunakan dalam data uji adalah 130 beats per minute,
160 beats per minute, 190 beats per minute, dan 220 beats per minute. Detail
urutan nada dalam data uji dapat dilihat pada Lampiran 1. Data uji merupakan
melodi dengan 5 kombinasi nada yang dipetik secara berurutan, terdapat 12 data
suara atau file data uji untuk setiap kelas nada dengan diberikan tempo yang
berbeda pada setiap 3 file. Pada Gambar 7 disajikan ilustrasi pengambilan nada
pada gitar.
Notebook
Gitar
Guitar Link
Gambar 7 Ilustrasi pengambilan nada pada gitar
Praproses
Pada tahap awal praproses, data suara dinormalisasi dengan cara membagi
semua nilai nada dengan nilai maksimum dari absolut nilai nada. Kemudian, pada
data uji akan dilakukan segmentasi. Setelah itu, pada setiap data suara hasil
segmentasi dilakukan ekstraksi ciri dengan menggunakan MFCC. Proses ekstraksi
ciri dengan MFCC ini dilakukan dengan menggunakan fungsi auditory toolbox
Matlab.
Hasil Percobaan
Penelitian ini memiliki hasil percobaan yang variatif pada nilai koefisien
cepstral 13. Hasil akurasi rata-rata dengan nilai learning rate 0.001, 0.002, 0.003,
0.004 dan 0.005 menunjukan bahwa dengan nilai koefisien cepstral 13 identifikasi
nada dasar dalam tangga pentatonis belum dapat menunjukan hasil yang baik.
11
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
Benar
Salah
Bukan Pentatonis
0.001
0.002
0.003
0.004
0.005
learning rate
Gambar 8 Akurasi rata-rata identifikasi nada dasar pada koefisien cepstral 13
Pada Gambar 8 disajikan akurasi rata-rata identifikasi nada dasar pada
koefisien cepstral 13. Pada Gambar 8 dapat dilihat bahwa akurasi rata-rata
tertinggi untuk kategori benar adalah 6.94% yang terdapat pada nilai learning rate
0.005. Jika dicermati terjadi peningkatan akurasi pada kategori benar seiring
dengan bertambahnya nilai learning rate. Namun sebagian besar hasil identifikasi
masih masuk ke dalam kategori bukan pentatonis. Penyebab kesalahan identifikasi
nada dasar tersebut adalah kurang beragamnya nilai vektor pada koefisien cepstral
13 yang menyebabkan kesalahan pengenalan nada tunggal pada tahap klasifikasi
dengan LVQ.
Tabel 3 Hasil pengenalan nada dasar pada learning rate 0.005
Kelas Nada Dasar Prediksi
D# E F F# G G#
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 1 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 3 0
0 0 2 0 0 0
0 0 0 0 0 0
0 0 5 0 0 0
0 0 0 0 0 0
Kelas Nada Dasar Aktual
C C# D
C
5 0 0
C# 0 0 0
D 0 0 0
D# 3 0 0
E
0 0 0
F
4 0 0
F# 0 0 0
G 2 0 0
G# 7 0 0
A 0 0 0
A# 7 0 0
B
0 0 0
Keterangan:
BN = Benar
SL = Salah
BP = Bukan Pentatonis
A A# B
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
2 0 0
0 0 0
0 0 0
Jumlah Prediksi
BN SL BP
5
0
7
0
0
12
0
0
12
0
4
8
0
0
12
0
4
8
0
0
12
3
2
7
0
9
3
2
0
10
0
12
0
0
0
12
12
Pada Tabel 3 disajikan hasil identifikasi nada dasar pada nilai learning rate
0.005. Kelas nada dasar yang memiliki hasil identifikasi nada dasar dengan
kategori benar terdapat pada kelas nada C major/A minor, G major/E minor, dan
A major/F# minor. Kelas nada dasar yang memiliki hasil identifikasi nada dasar
dengan kategori salah terdapat pada kelas nada dasar D# major/F# minor, F
major/D minor, G major/E minor, G# major/F minor, dan A# major/G minor.
Sedangkan untuk kelas nada dasar yang memiliki hasil identifikasi nada dasar
dengan kategori bukan pentatonis terdapat pada seluruh kelas nada kecuali pada
kelas nada dasar A# major/G minor.
Berdasarkan Tabel 3 jumlah data uji yang diidentifikasi ke dalam kategori
benar adalah 10 data uji. Data uji yang diidentifikasi ke dalam kategori salah
berjumlah 31 data uji, sedangkan yang diidentifikasi ke dalam kategori bukan
pentatonis berjumlah 103 data uji.
Pada hasil percobaan dengan nilai koefisien cepstral 26 memiliki hasil
akurasi 100% untuk semua nilai learning rate, hasil ini sangat jauh berbeda jika
dibandingkan dengan hasil akurasi yang didapat dari nilai koefisien cepstral 13.
Analisis Hasil Percobaan
Berdasarkan hasil percobaan pada penelitian ini didapatkan hasil akurasi
yang jauh berbeda antara nilai koefisien cepstral 13 dengan nilai koefisien
cepstral 26, dengan menggunakan nilai koefisien cepstral 13 hasil identifikasi
data uji yang berhasil diidentifikasi dengan benar hanya memiliki akurasi rata-rata
< 5%, sangat berbeda dengan hasil identifikasi data uji dengan nilai koefisien
cepstral 26 yang memiliki akurasi rata-rata 100% untuk setiap nilai learning rate.
Kesalahan yang terjadi dalam klasifikasi nada pada nilai koefisien cepstral
13 disebabkan oleh kedekatan nilai pada vektor ciri setiap kelas nada mulai dari
vektor ciri ke-1 sampai ke-13. Pada penelitian ini mulai dari vektor ciri ke-1
sampai dengan vektor ciri ke-6 semua kelas nada memiliki sebaran menyerupai
vektor ciri ke-1 seperti yang disajikan pada Gambar 9.
Gambar 9 Visualisasi data latih vektor ciri ke-1
Pada vektor ciri ke-7 sampai dengan vektor ciri ke-17 terjadi sedikit
perubahan sebaran dalam vektor ciri data latih, kemiripan vektor ciri kali ini
terdapat pada kelas nada yang berdekatan, sehingga memiliki sebaran meyerupai
vektor ciri ke-13 seperti pada Gambar 10.
13
Gambar 10 Visualisasi data latih vektor ciri ke-13
Untuk vektor ciri ke-18 sampai dengan vektor ciri ke-26 sebaran data mulai
beragam meski masih terdapat nilai yang berdekatan, sebaran data menyerupai
vektor ciri ke-24 yang disajikan pada Gambar 11. Untuk lebih lengkapnya,
keseluruhan visualisasi vektor ciri pada data latih dapat dilihat pada Lampiran 2.
Gambar 11 Visualisasi data latih vektor ciri ke-24
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan, dapat disimpulkan:
1 Penelitian ini berhasil menerapkan segmentasi melodi secara otomatis.
2 Penelitian ini berhasil menerapkan LVQ sebagai metode klasifikasi dan MFCC
sebagai teknik ekstraksi ciri dalam pengenalan nada dan algoritme template
matching untuk identifikasi nada dasar dalam tangga nada pentatonis pada gitar.
3 Pada nilai koefisien cepstral 13 akurasi tertinggi adalah 6.94%, sedangkan
pada nilai koefisien cesptral 26 akurasi tertinggi yang dihasilkan adalah 100%.
Saran
Saran yang dapat diberikan untuk penelitian selanjutnya yaitu, mencoba
identifikasi nada dasar dengan panjang melodi, birama dan tempo yang berbeda.
14
DAFTAR PUSTAKA
Budiarto A. 2014. Penerapan LVQ dengan inisialisasi K-Means untuk pengenalan
nada gitar dengan ekstraksi ciri MFCC [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Do MN. 1994. Digital signal processing mini-project: an automatic recognition
system [Internet]. [diunduh 2014 Jun 5]. Tersedia pada:
http://minhdo.ece.illinois.edu/teaching/speaker_recognition.
Fausett L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms,
and Applications. New Jersey (US): Prentice Hall.
Haryono T. 2013. Pengembangan model codebook untuk identifikasi chord gitar
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Kristianto J. 2005. Gitarpedia: Buku Pintar Gitaris. Jakarta (ID): PT.Gramedia
Pustaka Utama.
Lee K. 2006. Automatic chord recognition from audio using enhanced pitch class
profile. Di dalam: Proceedings of the 2006 International Computer Music
Conference; 2006 November 6-11, New Orleans, California. San Francisco
(US): International Computer Music Association. hlm 306-313.
15
Lampiran 1 Tabel kombinasi melodi pada data uji
Urutan
Data
Uji
Kombinasi Melodi
C major / A minor
C# major / A# minor
D major / B minor
D# major / C minor
E major / C# minor
F major / D minor
1
A
G
E
D
C
C#
D#
F
G#
A#
B
A
F#
E
D
D#
F
G
A#
C
E
F#
G#
B
C#
F
G
A
C
D
2
C
D
E
G
A
A#
G#
F
D#
C#
D
E
F#
A
B
C
A#
G
F
D#
C#
B
G#
F#
E
D
C
A
G
F
3
D
E
A
G
C
D#
F
A#
G#
C#
E
F#
B
A
D
F
G
C
A#
D#
F#
G#
C#
B
E
G
A
D
C
F
4
E
D
C
G
A
F
D#
C#
G#
A#
F#
E
D
A
B
G
F
D#
A#
C
G#
F#
E
B
C#
A
G
F
C
D
5
G
A
E
C
D
G#
A#
F
C#
D#
A
B
E
F#
D
A#
C
F
G
D#
B
C#
F#
G#
E
C
D
G
A
F
6
A
E
G
C
D
C#
D#
F
A#
G#
D
E
F#
B
A
D#
F
G
C
A#
E
F#
G#
C#
B
F
G
A
D
C
7
C
D
E
A
G
A#
F
G#
C#
D#
E
D
F#
A
B
F
D#
G
A#
C
F#
E
G#
B
C#
G
F
A
C
D
8
D
C
E
G
A
D#
C#
F
G#
A#
D
E
A
B
F#
D#
F
A#
C
G
E
F#
B
C#
G#
F
G
C
D
A
9
C
D
G
A
E
C#
D#
G#
A#
F
B
F#
A
D
E
C
G
A#
D#
F
C#
G#
B
E
F#
D
A
C
F
G
10
D
E
C
G
A
D#
F
C#
G#
A#
E
F#
D
A
B
F
G
D#
A#
C
F#
G#
E
B
C#
G
A
F
C
D
11
G
E
D
C
A
G#
F
D#
C#
A#
A
F#
E
D
B
A#
G
F
D#
C
B
G#
F#
E
C#
C
A
G
F
D
12
C
G
E
A
D
C#
G#
F
A#
D#
D
A
F#
B
E
D#
A#
G
C
F
E
B
G#
C#
F#
F
C
A
D
G
15
Lampiran 1 Lanjutan
16
Urutan
Data
Uji
Kombinasi Melodi
F# major / D# minor
G major / E minor
G# major / F minor
A major / F# minor
A# major / G minor
B major / G# minor
1
F#
G#
A#
C#
D#
G
A
B
D
E
G#
A#
C
D#
F
A
B
C#
E
F#
A#
C
D
F
G
B
C#
D#
F#
G#
2
D#
C#
A#
G#
F#
E
D
B
G
A
F
D#
C
A#
G#
F#
E
C#
B
A
G
F
D
C
A#
G#
F#
D#
C#
B
3
G#
A#
D#
C#
F#
A
B
E
D
G
A#
C
F
D#
G#
B
C#
F#
E
A
C
D
G
F
A#
C#
D#
G#
F#
B
4
A#
G#
F#
C#
D#
B
A
G
D
E
C
A#
G#
D#
F
C#
B
A
E
F#
D
C
A#
F
G
D#
C#
B
F#
G#
5
C#
D#
G#
A#
F#
D
E
A
B
G
D#
F
A#
C
G#
E
F#
B
C#
A
F
G
C
D
A#
F#
G#
C#
D#
B
6
F#
G#
A#
D#
C#
G
A
B
E
D
G#
A#
C
F
D#
A
B
C#
F#
E
A#
C
D
G
F
B
C#
D#
G#
F#
7
G#
F#
A#
C#
D#
G
A
B
D
E
A#
G#
C
D#
F
B
A
C#
E
F#
C
A#
D
F
G
C#
B
D#
F#
G#
8
F#
G#
C#
D#
A#
G
A
D
E
B
G#
A#
D#
F
C
A
B
E
F#
C#
A#
C
F
G
D
B
C#
F#
G#
D#
9
D#
A#
C#
F#
G#
E
B
D
G
A
F
C
D#
G#
A#
F#
C#
E
A
B
G
D
F
A#
C
G#
D#
F#
B
C#
10
G#
A#
F#
C#
D#
A
B
G
D
E
A#
C
G#
D#
F
B
C#
A
E
F#
C
D
A#
F
G
C#
D#
B
F#
G#
11
C#
A#
G#
F#
D#
D
B
A
G
E
D#
C
A#
G#
F
E
C#
B
A
F#
F
D
C
A#
G
F#
D#
C#
B
G#
12
F#
C#
A#
D#
G#
G
D
B
E
A
G#
D#
C
F
A#
A
E
C#
F#
B
A#
F
D
G
C
B
F#
D#
G#
C#
Keterangan:
- Tempo 130 beats per minute (Data Uji ke-1 sampai ke-3)
- Tempo 160 beats per minute (Data Uji ke-4 sampai ke-6)
- Tempo 190 beats per minute (Data Uji ke-7 sampai ke-9)
- Tempo 220 beats per minute (Data Uji ke-10 sampai ke-12)
Lampiran 2 Vektor ciri data latih
Ciri ke-1
Ciri ke-2
Ciri ke-3
Ciri ke-4
Ciri ke-5
Ciri ke-6
Ciri ke-7
Ciri ke-8
Ciri ke-9
Ciri ke-10
Ciri ke-11
Ciri ke-12
17
Lampiran 2 Lanjutan
Ciri ke-14
Ciri ke-15
Ciri ke-16
Ciri ke-17
Ciri ke-18
Ciri ke-19
Ciri ke-20
Ciri ke-21
Ciri ke-22
Ciri ke-23
Ciri ke-24
18
Ciri ke-13
Lampiran 2 Lanjutan
Ciri ke-25
Ciri ke-26
19
20
20
RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada 1 Maret 1990 dari Bapak Supoyo dan Ibu
Sudarsini, penulis merupakan anak ketiga dari tiga bersaudara. Pada tahun 2008
penulis lulus dari SMA Negeri 7 Kota Bogor dan pada tahun yang sama penulis
lulus seleksi dan masuk Program Diploma Institut Pertanian Bogor program
keahlian Teknik Komputer melalui jalur USMI. Penulis menyelesaikan studi
diploma selama tiga tahun dan lulus pada tahun 2011. Pada tahun 2012 penulis
melanjutkan studinya ke jenjang sarjana di Program Alih Jenis Institut Pertanian
Bogor, FMIPA Departemen Ilmu Komputer.
20