Sony Sound Forge Audio Studio 10.0 digunakan untuk mengolah data sebelum diolah oleh sistem.
3.2 Perancangan Sistem
Sub bab ini berisi perancangan sistem dari perancangan proses pelatihan sampai ke proses pengujian. Pada proses pelatihan dan pengujian terdapat
proses ekstraksi ciri lagu yang menggunakan metode Music Surface Feature yang dikemukakan oleh George Tzanetakis.
Pada proses pelatihan masukan berupa file audio dengan tipe file .wav dan frekuensi 44100 hz. Kemudian diambil ciri-ciri audionya. Langkah
selanjutnya ciri-ciri audio dan targetlabel keluaran dimasukan ke jaringan syaraf tiruan propagasi balik, yang kemudian menghasilkan model jaringan
syaraf tiruan.
DATA EKSTRAKSI CIRI
JARINGAN SYARAF TIRUAN PROPAGASI BALIK MODEL JARINGAN
Gambar 3.1 Diagram Blok Proses Pelatihan
Hasil dari proses pelatihan yang berupa model jaringan dipakai di proses pengujian. Sama dengan proses pelatihan, data mentah diambil cirinya
kemudian diproses pada model jaringan. Hasil dari model jaringan tersebut akan dibandingkan dengan target keluaran.
DATA EKSTRAKSI CIRI
MODEL JARINGAN HASIL KLASIFIKASI
Gambar 3.2 Diagram Blok Proses Pengujian
3.2.1 Ekstraksi Ciri
Proses ekstraksi ciri dilakukan pada semua data mentah. Pada proses pelatihan ekstraksi ciri dilakukan pada semua data mentah
kemudian disimpan pada variabel untuk setiap ciri. Keluaran dari proses ini berupa nilai numerik sejumlah 9, sesuai dengan jumlah ciri
lagu. Ada 8 tahap ekstraksi ciri, dari membaca data mentah sampai
mendapatkan 9 nilai ciri lagu. Tahap tersebut adalah: 1.
Hamming window 2.
Fast fourier transform FFT 3.
Inverse Fast fourier transform IFFT 4.
Pengambilan ciri Centroid 5.
Pengambilan ciri Roll Off 6.
Pengambilan ciri Flux 7.
Pengambilan ciri Zero Cross Rate 8.
Pengambilan ciri Low Energy
Diagram dibawah ini merupakan urutan dari proses ekstraksi ciri:
Lagu .wav Hamming
window FFT
IFFT Spectral
Centroid
Spectral Roll off
Spectral Flux Spectral Zero
Cross Low Enegy
Gambar 3.3 Diagram Blok Proses Ekstraksi Ciri
Pada Gambar 3.3 proses dimulai dari pengambilan data mentah, kemudian masuk ke proses Hamming Window. Pada tahap Hamming
Window, data yang sudah dalam bentuk frame dipadatkan. Sehingga bentuk gelombang akan naik. Hal ini dapat diartikan menormalisasi
sinyal digital. Tahap ini dapat dilihat pada Gambar 3.4.
START
END i=1, j=1
i=40
J=1024
amplitudei, j = amplitudei,j 0.54 - 0.46
cos 2 pi j 1023
YES NO
NO
YES
Gambar 3.4 Hamming Window
Proses berlanjut ke tahap Fast Fourier Transform FFT, pada proses ini sinyal audio dikonversi ke dalam domain berbasis frekuensi.
Tahap FFT dapat dilihat pada Gambar 3.5.
START
END i=1, j=1, k=1
i=40
k=512
j=1024
reali, k = reali, k + amplitudei, j cos2 3.14 k
j 1024
imagineri, k = imagineri, k - amplitudei, j sin2 3.14 k
j 1024 i=40
k=512
magnitudei, k = sqrtreali, k reali, k + imagineri, k
imagineri, k
NO YES
NO
NO YES
YES YES
YES NO
NO
Gambar 3.5 Fast Fourier Transform
Tahap selanjutnya adalah Inverse Fast Fourier Transform IFFT, pada tahap ini sinyal domain frekuensi dikembalikan ke proses
domain waktu. Tahap IFFT dapat dilihat pada Gambar 3.6.
START
END i=1, j=1, k=1
i=40
k=512
reali, k = reali, k 1024 2 imagineri, k = -imagineri, k
1024 2 i=40
k=512
NO YES
NO YES
i=40
reali, 1 = reali, 1 2 reali, 512 = reali, 512 2
j=1024
amplitude1i, j = amplitude1i, j + reali, k
cos2 3.14 k j 1024
amplitude1i, j = amplitude1i, j + imagineri,
k sin2 3.14 k j 1024
NO
NO NO
YES YES
YES
Gambar 3.6 Inverse Fast Fourier Transform
Proses selanjutnya adalah mengambil 6 ciri lagu. Yaitu rata-rata dan varian dari Spectral Centroid, Roll Off dan Flux.
7. Spectral Centroid
Input proses tahap ini adalah magnitude yang merupakan hasil dari tahap FFT. Magnitude tersebut akan melalui proses
sesuai dengan persamaan 2.8. Hasil dari proses ini adalah Spectral Centroid. Dari spectral tersebut akan dihitung nilai rata-
rata dan variannya. Tahap Centroid dapat dilihat pada Gambar 3.7
START
END i=1, j=1,
rat_cen=0, var_cen=0
NO YES
i=40 j=512
magnii = magnii + magnitudei,jj
magni1i = magni1i + magnitudei,j
magnii=magnii magni1i
i = 1 min1 = magnii
max1 = magnii min1
magnii min1
magnii min1 = magnii
max1 = magnii i=40
magnii = 1 - -1 magnii + -1 max1 - 1 min1 max1 - min1
rat_cen = rat_cen40 i=40
var_cen = magnii - rat_cen magnii - rat_cen + var_cen
var_cen = sqrtvar_cen 39
YES
YES YES
YES
YES YES
YES NO
NO NO
NO NO
NO
Gambar 3.7 Ciri Centroid
8. Spectral Roll Off
Input proses tahap ini adalah magnitude yang merupakan hasil dari tahap FFT. Magnitude tersebut akan melalui proses
sesuai dengan persamaan 2.9. Hasil dari proses ini adalah Spectral Roll Off. Dari spectral tersebut akan dihitung nilai rata-
rata dan variannya. Tahap Roll Off dapat dilihat pada Gambar 3.8.
START
END
YES NO
i=1,j=1, var_ro=0,
rat_ro=0
i=40
j=512
magnii = magnitudei,j+magnii
magnii=magnii0.8 i=1
min1=magnii max1=magnii
min1 magnii
max1 magnii
min1=magnii max1=magnii
i=40 magnii = 1 - -1 magnii + -1
max1 - 1 min1 max1 - min1 rat_ro = rat_ro + magnii
rat_ro = rat_ro40 i=40
var_ro = magnii - rat_ro magnii - rat_ro + var_ro
var_ro = sqrtvar_ro39
YES
YES YES
YES YES
YES
NO
NO NO
NO NO
NO
Gambar 3.8 Ciri Roll Off
9. Spectral Flux
Input proses tahap ini adalah magnitude yang merupakan hasil dari tahap FFT. Magnitude tersebut akan melalui proses
sesuai dengan persamaan 2.10. Hasil dari proses ini adalah Spectral Flux. Dari spectral tersebut akan dihitung nilai rata-rata
dan variannya. Tahap Flux dapat dilihat pada Gambar 3.9.
i=1,j=1, rat_flux = 0
var_flux = 0 START
END
YES NO
i=40 j=512
j=1 temp1 =
magnitudei, j magnitudei, j
temp1 = magnitudei, j -
magnitudei, j - 1 magnitudei, j -
magnitudei, j - 1
temp2i = temp2i + temp1
i=1 min1 = temp2i
max1 = temp2i min1
temp2i max1
temp2i min1 = temp2i
max1 = temp2i i=40
temp2i = 1 - -1 temp2i + -1 max1 - 1 min1 max1 - min1
rat_flux = temp2i + rat_flux rat_flux = rat_flux 40
i=40 var_flux = temp2i - rat_flux
temp2i - rat_flux + var_flux
var_flux = sqrtvar_flux 39
YES YES
YES YES
YES YES
YES NO
NO
NO NO
NO NO
NO
Gambar 3.9 Ciri Flux
Proses berikutnya setelah mengambil keenam ciri tersebut adalah mengambil 3 ciri berikutnya, yaitu rata-rata dan varian dari Zero
Crossing Rate dan Low Energy. 1.
Spectral zero crossing rate Input proses tahap ini adalah amplitudo yang merupakan
hasil dari tahap IFFT. Amplitudo tersebut akan melalui proses sesuai dengan persamaan 2.11. Hasil dari proses ini adalah
Spectral Zero Crossing Rate. Dari spectral tersebut akan dihitung nilai rata-rata dan variannya. Tahap Zero Crossing Rate dapat
dilihat pada Gambar 3.10.
i=1,j=1, rat_zc=0,
var_zc=0 START
YES NO
i=40
j=1024
YES NO
j=1 temp2 = 0
amplitudei, j = 0
temp1 = 1 temp1 = 0
amplitudei, j = 0
temp1 = 1 temp1 = 0
amplitudei, j- 1 = 0
temp2 = 1 temp2 = 0
temp1=temp1-temp2 temp1 0
temp1 = -temp1 zci = temp1 + zci
zci = 1 - -1 zci + -1 1024 - 1 0 1024 - 0
rat_zc = rat_zc + zci rat_zc = rat_zc 40
i=40
var_zc = zci - rat_zc zci - rat_zc + var_zc
var_zc = sqrtvar_zc 39
END
Gambar 3.10 Ciri Zero Crossing Rate
2. Low Energy
Input proses tahap ini adalah amplitudo yang merupakan hasil dari tahap IFFT. Amplitudo tersebut akan melalui proses
untuk mendapatkan persentase amplitudo yang dibawah rata-rata amplitudo pada setiap window. Hasil dari proses ini adalah 1 nilai
numerik. Tahap Low Energy dapat dilihat pada Gambar 3.11.
START
END
YES NO
i=1,j=1, low_en=0,
temp2=0 i=40
j=1024 k=i-j
k = 0 dan k = 1024
temp1 = 0.5 temp1 = 0
temp2 = amplitudei, j temp1 amplitudei, j temp1 + temp2
low_en1i = low_en1i + temp2
low_en1i = low_en1i 1024
i=40 i=1
low_en = low_en1i low_en
low_en1i low_en = low_en1i
NO
NO NO
NO
YES
YES YES
YES YES
NO
Gambar 3.11 Ciri Low Energy
Dari hasil ekstraksi ciri. Data yang diperoleh adalah nilai numerik berjumlah 9. Pada ciri 1 sampai 4 masing-masing terdapat 2 nilai dan 1
nilai untuk ciri 5. Tabel 3.1 adalah contoh hasil ekstraksi ciri. Tabel 3.1 Contoh Hasil Ekstraksi Ciri
data ciri 1
ciri 2 ciri 3
ciri 4 ciri 5
mean centroid
varian centroid
mean roll off
varian roll off
mean flux
varian flux
mean zero
crossing rate
varian zero
crossing rate
low energy
1 -0,21032 0,464161 0,488747 -0,41496 -0,35624 0,61223 -0,90298 0,068425 0,001937
2 -0,29684 0,560839 0,436355 -0,27167 -0,10333 0,64762 -0,89429 0,084715
0,00187 n
-0,30629 0,474475 0,48425 -0,08337 -0,41815 0,46766 -0,84224 0,051587 0,001501
3.2.2 Klasifikasi dan Pengujian
Sebelum masuk ke jaringan syaraf tiruan data dibagi menjadi 5 bagian untuk proses pelatihan dan pengujian. Data sejumlah 200 dibagi
menjadi 5. Tabel 3.2 Five Fold Cross Validation
percobaan Training Testing 1
1,2,3,4 5
2 1,2,3,5
4 3
1,2,4,5 3
4 1,3,4,5
2 5
2,3,4,5 1
Dari 5 percobaan pada Tabel 3.1, akan didapatkan tabel confusion matrix sehingga dapat dihitung akurasi sistem menggunakan persamaan
2.28.
Proses klasifikasi menggunakan jaringan syaraf tiruan propagasi balik. Dengan proses pengujian membandingkan kombinasi ciri lagu
agar didapat ciri terbaik untuk proses klasifikasi. Setelah didapat kombinasi ciri lagu terbaik berikutnya mencari arsitekstur terbaik dari
jaringan syaraf tiruan propagasi balik. Pada proses mencari ciri terbaik arsitekstur jaringan yang digunakan adalah:
a. Input jaringan 1,2,3,…, danatau 9 , sesuai dengan kombinasi ciri
lagu. b.
Lapisan jaringan sebanyak 3 lapis, dengan 2 lapis tersembunyi, dan 1 lapis keluaran.
c. Jumlah jaringan pada lapisan tersembunyi pertama dan kedua
masing-masing sebanyak 60. d.
Jumlah jaringan pada lapisan keluaran adalah 4, sesuai dengan jumlah klasifikasi.
e. Batas epoch 5000
f. Target error 0,01
g. Kecepatan pembelajaran 0,1
h. Target luaran jaringan : Abdee Negara = 1,0,0,0, Dewa Budjana
= 0,1,0,0, Ahmad Dhani = 0,0,1,0, Ian Antono = 0,0,0,1 Sedangkan pada proses pencarian arsitekstur terbaik input
jaringan akan disesuaikan dengan hasil kombinasi ciri terbaik. Pada pencarian arsitekstur jaringan terbaik, akan di uji coba beberapa jumlah
lapisan tersembunyi, yaitu 1 lapis tersembunyi dan 2 lapis tersembunyi
dengan jumlah jaringan bervariasi, sesuai dengan input jaringan. Jumlah jaringan pada lapis tersembunyi adalah kelipatan dari input
jaringan, yaitu sebanyak 10 kelipatan, contohnya jika input jaringan 10, maka variasi jumlah jaringan adalah 10, 20,
30,…, 90, 100. Pada jumlah lapis tersembunyi 1, semua jumlah jaringan akan diuji dan dicari
akurasi tertinggi dengan syarat target error terpenuhi. Demikian pula pada 2 lapis tersembunyi, namun pada 2 lapis tersembunyi, jumlah
jaringan pada lapis 1 dan 2 akan divariasikan.
3.3 Perancangan Atarmuka Sistem