Perancangan Sistem Kebutuhan Perangkat Lunak

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