Pengembangan Model Jaringan Syaraf Tiruan Resilient Backpropagation untuk Identifikasi Chord Gitar
PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT
BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR
YOSI NURHAYATI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER
INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Model
Jaringan Syaraf Tiruan Resilient Backpropagation Untuk Identifikasi Chord Gitar
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, November 2013
Yosi Nurhayati
NIM G64104063
ABSTRAK
YOSI NURHAYATI. Pengembangan Model Jaringan Syaraf Tiruan Resilient
Backpropagation untuk Identifikasi Chord Gitar. Dibimbing oleh AGUS
BUONO.
Penelitian ini mengembangkan pengenalan suara untuk mengidentifikasi
chord gitar menggunakan metode jaringan syaraf tiruan resilient backpropagation
sebagai metode pengenalan pola dan MFCC sebagai metode ekstraksi ciri. Tujuan
penelitian ini adalah menemukan parameter-parameter yang dapat menghasilkan
akurasi tertinggi. Parameter yang digunakan dalam proses pengenalan pola
resilient backpropagation, yaitu hidden neuron, toleransi galat, learning rate,
faktor naik, faktor turun, delta0, dan deltamax. Sedangkan parameter yang
digunakan untuk proses MFCC adalah sampling rate, time frame, overlap, dan
jumlah cepstral coefficient. Total data suara chord yang digunakan pada penelitian
ini sebanyak 8 640 yang diperoleh dari 24 chord. Berdasarkan hasil penelitian
yang telah dilakukan, akurasi tertinggi sebesar 95.56% diperoleh dengan
menggunakan hidden neuron 100, jumlah koefisien cepstral 52, overlap 0.4, dan
time frame 100 ms.
Kata kunci: chord, jaringan syaraf tiruan resilient backpropagation, mel frequency
cepstral coefficients (MFCC).
ABSTRACT
YOSI NURHAYATI. Resilient Backpropagation Neural Network Model
Development To Identify Guitar Chord. Supervised by AGUS BUONO.
This study developed a sound recognition to identify guitar chords by using
resilient backpropagation neural network as the pattern recognition method and
MFCC as the feature extraction method. The aim of this study is to find the
parameters that can produce the highest accuracy. The parameters used in the
process of resilient backpropagation pattern recognition are the hidden neurons,
error tolerance, learning rate, up factor, down factor, delta0, and deltamax.
Meanwhile the parameters used for the MFCC are the sampling rate, time frame,
overlap, and the number of cepstral coefficient. There were 8 640 data utilized in
this study, which were obtained from 24 different chords. It was found that a
highest accuracy of 95.56% can be obtained by using 100 hidden neurons, 52
numbers of cepstral coefficient, overlap score of 0.4, and the time frame of 100
ms.
Keywords: chord, mel frequency cepstral coefficients (MFCC), resilient
backpropagation neural network.
PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT
BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR
YOSI NURHAYATI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji:
1 Mushthofa, SKom MSc
2 Muhammad Asyhar Agmalaro, SSi MKom
Judul Skripsi : Pengembangan Model Jaringan Syaraf Tiruan
Backpropagation Untuk Identifikasi Chord Gitar
Nama
: Yosi Nurhayati
NIM
: G64104063
Resilient
Disetujui oleh
Dr Ir A
MKom
Pembimbing
Tanggal Lulus:
. ..
ｾ｟
Ｑ ＢＧｾＭ
3 a NOV 2013
ｾＭＡｉ［ｊ
______
I1!!!!• •_ _-mIlI'
Judul Skripsi : Pengembangan Model Jaringan Syaraf Tiruan
Backpropagation untuk Identifikasi Chord Gitar
Nama
: Yosi Nurhayati
NIM
: G64104063
Disetujui oleh
Dr Ir Agus Buono, MSi MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen Ilmu Komputer
Tanggal Lulus:
Resilient
PRAKATA
Alhamdulillah, puji syukur ke hadirat Allah subhanahu wa ta’ala karena
dengan rahmat dan hidayah-Nya karya ilmiah ini berhasil diselesaikan. Tema
yang dipilih dalam penelitian yang dilaksanakan sejak bulan September 2012
ialah ekstraksi ciri dan pengenalan pola, dengan judul Pengembangan Model
Jaringan Syaraf Tiruan Resilient Backpropagation Untuk Identifikasi Chord Gitar.
Penulis sadar bahwa tugas akhir ini tidak akan terselesaikan tanpa bantuan
dari berbagai pihak. Pada kesempatan ini, penulis ingin mengucapkan terima
kasih kepada:
1 Orang tua tercinta Bapak Yoyo, SPdI dan Ibu Yayah atas segala doa dan
dukungan yang tiada hentinya.
2 Bapak Dr Ir Agus Buono, MSi MKom selaku pembimbing yang telah
memberikan arahan, bimbingan, dan saran selama penelitian ini berlangsung.
3 Bapak Mushthofa, SKom MSc dan Bapak Muhammad Ashyar Agmalaro, SSi
MKom selaku penguji untuk penelitian ini.
4 Ahmad Somadi, Corry Diana, Mira Della, Bernita, Puspita, Irene, Dania, Mba
Dyah, Mba Susan, Krisna dan Kosan Minang Palace atas dukungan, bantuan
dan semangat yang diberikan kepada penulis.
5 Teman-teman satu bimbingan Arviani Rizki, Toni Haryono, dan Armen Marta
terima kasih atas kerjasamanya.
6 Seluruh teman-teman Ilkomerz Angkatan 5 atas persahabatan, dukungan,
bantuan, semangat, dan kekeluargaannya selama ini.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan
skripsi ini. Semoga karya ilmiah ini bermanfaat.
Bogor, November 2013
Yosi Nurhayati
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE PENELITIAN
2
Pengumpulan Data
3
Normalisasi
3
Segmentasi
3
Data Latih
4
Data Uji
4
Ekstraksi Ciri dengan MFCC
5
Pengenalan Pola dengan JST Resilient Backpropagation
6
Perancangan Modul JST
8
Pelatihan
8
Pengujian
8
HASIL DAN PEMBAHASAN
8
Pengumpulan Data
8
Normalisasi dan Segmentasi
9
Ekstraksi Ciri dengan MFCC
9
Pelatihan
10
Hasil Pengujian
10
SIMPULAN DAN SARAN
12
Simpulan
12
Saran
12
DAFTAR PUSTAKA
13
RIWAYAT HIDUP
20
DAFTAR TABEL
1
2
3
4
5
Daftar chord gitar
Komposisi data chord
Karakteristik JST
Perbandingan nilai akurasi antara koefisien dengan hidden neuron
Rata-rata akurasi koefisien cepstral berdasarkan nilai hidden neuron
3
4
8
10
11
DAFTAR GAMBAR
1
2
3
4
5
6
Alur penelitian proses identifikasi chord gitar
Proses segmentasi chord C dan G
Diagram alur MFCC (Buono 2009)
Arsitektur jaringan (Siang 2009)
Vektor sinyal suara chord C dan chord G
Perbandingan akurasi antara koefisien cepstral dengan hidden neuron
2
4
5
7
9
11
DAFTAR LAMPIRAN
1 Bentuk chord yang digunakan pada pelatihan dan pengujian
2 Algoritme JST propagasi balik resilient (Susanto 2007)
3 Confusion matrix kesalahan dalam pengenalan chord pada koefisien
52 dengan nilai hidden neuron 100
14
16
19
1
PENDAHULUAN
Latar Belakang
Dalam dunia musik dikenal istilah chord. Chord ini yang dijadikan sebagai
acuan pada musik atau lagu. Chord merupakan rangkaian nada yang membangun
keharmonisasian pada musik (Wisnudisastra 2009). Salah satu contoh alat musik
yang menghasilkan bunyi-bunyian dan memiliki chord sebagai acuan nada adalah
gitar. Seorang pemain musik harus mengerti dan mengenali chord apa saja pada
lagu yang dimainkannya. Bagi musisi, hal ini sangat mudah dilakukan karena
sistem pendengaran dalam mengenali dan memainkan nada chord pada suatu lagu
atau musik sudah terlatih. Lain halnya bagi seorang pemula, hal ini akan sulit
dilakukan karena sistem pendengaran dalam mengenali dan memainkan nada
chord belum terlatih.
Solusi untuk menanggulangi masalah tersebut yaitu dengan penggunaan
komputer sebagai sistem pengenalan chord pada alat musik gitar. Hal ini
dikarenakan karakteristik komputer yang konsisten terhadap eksekusi perintah
yang diberikan dan memudahkan pengguna sistem untuk mendapatkan hasil
pengenalan chord yang akurat.
Pada penelitian sebelumnya, Wisnudisastra (2009) menggunakan metode
codebook sebagai pengenalan pola dan menggunakan teknik MFCC sebagai
ekstraksi ciri dalam mengenali sebuah chord. Metode dan teknik tersebut
menghasilkan rataan akurasi sebesar 91% untuk percobaan menggunakan 13
koefisien cepstral dan sebesar 96% untuk percobaan menggunakan 26 koefisien
cepstral. Penelitian lainnya yang terkait dilakukan oleh Susanto (2007) dengan
objek dan metode berbeda yaitu identifikasi pembicara menggunakan jaringan
syaraf tiruan (JST) resilient backpropagation diperoleh rataan akurasi terbaik
sebesar 92.8%.
Oleh karena itu, pada penelitian ini akan dibangun sistem dengan
menggunakan metode jaringan syaraf tiruan (JST) resilient backpropagation dan
menggunakan teknik MFCC sebagai ekstraksi cirinya. Dalam pengenalan suara,
MFCC dapat merepresentasikan sinyal lebih baik dibandingkan dengan linear
prediction cepstrum coefficient (LPCC) dan teknik lainnya (Buono 2009). Metode
LPCC memiliki keunggulan waktu komputasi yang lebih sederhana, namun
tingkat akurasinya tidak sebaik MFCC. Penelitian lain menyimpulkan bahwa
penggunaan metode wavelet sebagai ekstraksi ciri pada pengenalan pola tidak
memberikan hasil yang lebih baik daripada penggunaan metode MFCC (Taufani
2011). Pada JST resilient backpropagation terdapat proses pelatihan yang
berulang-ulang dan memiliki tambahan parameter faktor naik juga faktor turun.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1 Mengembangkan metode jaringan syaraf tiruan resilient backpropagation dan
teknik ekstraksi ciri MFCC untuk identifikasi chord gitar.
2 Mengidentifikasi dua chord gitar yaitu dari chord satu ke chord lainnya.
3 Mengetahui nilai akurasi dari identifikasi chord gitar.
2
Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan informasi mengenai tingkat
akurasi pengembangan metode jaringan syaraf tiruan resilient backpropagation
dalam identifikasi chord gitar.
Ruang Lingkup Penelitian
Adapun ruang lingkup dari penelitian ini antara lain:
1 Chord yang dikenali hanyalah chord mayor dan minor.
2 Chord yang dikenali dimainkan dengan cara dipukul serentak dari atas ke
bawah maupun sebaliknya dalam satu posisi untuk masing-masing chord.
3 Suara chord yang dikenali hanya suara chord yang dimainkan dengan
menggunakan jenis gitar akustik dengan senar string.
METODE PENELITIAN
Sistem pengenalan suara chord gitar diwujudkan melalui suatu program
dengan menggunakan perangkat lunak MATLAB R2008b. Pembuatan program
dibagi menjadi beberapa tahap yaitu perumusan masalah dengan teori-teori terkait,
pengambilan data suara gitar, normalisasi, segmentasi, MFCC, pembuatan modul
JST, parameter JST, pengujian, analisis dan pembahasan, dokumentasi dan
pelaporan. Tahapan tersebut dapat dilihat pada Gambar 1.
Gambar 1 Alur penelitian proses identifikasi chord gitar
3
Pengumpulan Data
Pada penelitian ini data suara berasal dari 24 chord gitar yang dimainkan
dengan cara dipukul serentak dari atas ke bawah. Proses perekaman akan diulang
sebanyak 15 kali untuk setiap suara transisi 2 chord gitar dari 24 chord. Total
perkalian antara 24 chord pertama, 24 chord kedua, dan 15 kali perekaman yaitu
sebanyak 8 640 yang akan digunakan untuk data latih sebanyak 5 760 dan data uji
sebanyak 2 880.
Proses perekaman data suara chord misalnya dari suara chord C ke D
sebanyak 15 kali, lalu suara chord C ke C# sebanyak 15 kali, dan seterusnya
sehingga masing-masing chord memiliki 10 data suara untuk data latih dan 5 data
suara untuk data uji. File data suara chord direkam selama 3 detik dengan format
berekstensi WAV. Setiap perekaman suara menggunakan sampling rate sebesar
11 000 Hz. Chord yang dipakai ada 24 jenis terdiri dari chord mayor dan chord
minor seperti pada Tabel 1. Ke-24 chord mayor dan minor tersebut hanya
dimainkan pada satu posisi saja. Bentuk dari 24 chord mayor dan minor yang
digunakan untuk proses pelatihan dan pengujian pada penelitian ini dapat dilihat
pada Lampiran 1.
Tabel 1 Daftar chord gitar
Chord dasar
Mayor
Minor
C
C
Cm
C#
C#
C#m
D
D
Dm
D#
D#
D#m
E
E
Em
F
F
Fm
F#
F#
F#m
G
G
Gm
G#
G#
G#m
A
A
Am
A
A#
A#m
B
B
Bm
Normalisasi
Tahap normalisasi merupakan proses membuat rentang nilai antara -1 1.
Setiap data suara memiliki nilai rentang amplitudo yang berbeda sehingga data
suara perlu dinormalisasi terlebih dahulu dengan cara membagi setiap nilai
dengan nilai maksimum pada data masing-masing suara agar didapat rentang nilai
amplitudo suara yang sama.
Segmentasi
Tahap segmentasi untuk deteksi jeda pada setiap transisi 2 chord. Tahap ini
dilakukan dengan mengabsolutkan setiap nilai chord yang telah dinormalisasi.
Dari nilai tersebut ditentukan nilai threshold yang digunakan sebagai batas tinggi
sinyal untuk jeda dan bukan jeda. Data kontinyu yang panjang pada bagian jeda
4
akan dipotong. Perpindahan chord C ke G akan mendapatkan hasil segmentasi
chord C ke G seperti pada Gambar 2. Hasil pemotongan nada transisi 2 chord dari
C ke G menjadi 3 bagian, yaitu chord C, jeda, dan chord G.
Gambar 2 Proses segmentasi chord C dan G
Data Latih
Data latih hasil perkalian dari 24 transisi 2 chord dengan 24 jumlah chord
mayor dan minor yang masing-masing direkam 10 suara. Kemudian dipilih 10
data suara secara acak dari masing-masing transisi chord untuk dijadikan sebagai
data latih. Data latih selanjutnya diproses pada tahap MFCC dan jaringan syaraf
tiruan resilient backpropagation untuk menghasilkan suatu model. Model ini
berfungsi sebagai alat penentu keputusan dari hasil pengujian.
Data Uji
Data uji hasil perkalian dari 24 transisi 2 chord dengan 24 jumlah chord
mayor dan minor yang masing-masing direkam 5 suara. Data uji ini akan diproses
dengan tahap MFCC, selanjutnya akan diuji menggunakan model yang telah
terbentuk dari tahap pelatihan. Komposisi data chord yang dipakai dalam
penelitian seperti pada Tabel 2.
Tabel 2 Komposisi data chord
Komposisi
Jumlah
Jumlah chord
24
Jumlah kombinasi
576
Data latih
5 760
Data uji
2 880
Total data
8 640
5
Ekstraksi Ciri dengan MFCC
Tahapan teknik MFCC lebih jelasnya disajikan pada Gambar 3 (Buono
2009).
Sinyal Suara
Frame ke
t
O=
…,
Windowing:
n = t n * w (n , 0 ≤ n ≤ N-1
w(n) = 0.54 – 0.46 cos (2 n/(N-1))
dalam domain waktu
N = jumlah sampel pada setiap frame, n = frame ke-…
W = formula hamming window,
= nilai data ke n
t
Fast Fourier Transform (FFT):
n
a n tu
n
N = jumlah data pada domain frekuensi, j=bilangan imajiner, k = N/2 + 1, i = n x t
Mel Frequency Wrapping : mel(f) = 2595 log (1 + f / 700)
dari sini diperoleh M filter, dan dihitung spektrum Mel:
(k) = nilai filter segitiga ke i,
M = jumlah filter, N = banyaknya data
Cepstrum Coefficients : Discrete Cosine Transform
s
, j = jumlah koefisien cepstral
M = jumlah filter ,
,
i = jumlah wrapping
Gambar 3 Diagram alur MFCC (Buono 2009)
MFCC merupakan ekstraksi ciri yang telah banyak digunakan pada
pemrosesan suara, terutama pada sistem indentifikasi pembicara. Berdasarkan
Gambar 4 ada 5 tahapan proses MFCC yaitu frame blocking, windowing,
transformasi fourier (FFT), mel frequency wrapping, dan transformasi kosinus
(discrete cosine transform).
6
Frame Blocking
Pada tahap ini sinyal suara dibagi ke dalam bentuk frame dan setiap frame
memiliki N sample yang direpresentasikan dalam bentuk vektor. Setiap frame
yang bersebelahan saling tumpang tindih atau overlap. Hal ini ditujukan agar
tidak ada informasi yang hilang. Pada penelitian ini akan digunakan time frame
100 ms, overlap 40%, koefisien cepstral sebesar 13, 26, dan 52.
Windowing
Proses windowing dilakukan pada setiap frame untuk meminimalkan
diskontinyuitas sinyal pada awal dan akhir tiap frame (Do 1994).
Transformasi Fourier (FFT)
Fast Fourier transform dilakukan untuk mengkonversi N sample setiap
frame dari domain waktu ke domain frekuensi. Hal ini dilakukan karena
pendengaran manusia didasarkan atas domain frekuensi.
Mel Frequency Wrapping
Skala mel-frequency merupakan selang frekuensi linear di bawah 1 000 Hz
dan selang logaritmik frekuensi di atas 1 000 Hz. Mel-frequency wrapping
umumnya dilakukan dengan menggunakan filterbank.
Transformasi Kosinus (Discrete Cosine Transform)
Pada tahap ini akan dikonversi mel-frequency ke dalam domain waktu
dengan menggunakan discrete cosine transform (DCT). Hasilnya disebut dengan
mel-frequency cepstrum coefficient (MFCC).
Pengenalan Pola dengan JST Resilient Backpropagation
Pengenalan pola dengan JST resilient backpropagation dilakukan untuk
data latih, setelah vektor ciri diperoleh dari proses MFCC. Jaringan Syaraf Tiruan
(JST) merupakan suatu sistem pemrosesan informasi yang memiliki karakteristikkarakteristik menyerupai jaringan syaraf biologi (Fausett 1994).
Backpropagation merupakan metode pembelajaran terawasi dan biasanya
digunakan oleh jaringan multilayer. Gambar 4 menunjukkan arsitektur JST
Backpropagation dengan n buah masukan. Unit input atau masukan dilambangkan
dengan X, hidden unit dilambangkan dengan Z, dan unit output atau keluaran
dilambangkan dengan Y. V merupakan bobot dari unit masukan X ke unit layer
tersembunyi Z . Sedangkan W merupakan bobot dari unit layer tersembunyi Z ke
unit keluaran Y.
7
Y1
W10
Yk
Ym
Wkp
Wk0
W11
Wk1
W1j
Wkj
Wm0
W1p
Wmj
Wm1
1
Z1
Zj
Zp
V11
V10
1
Vj0
Vp0
Vpn
Vj1
X1
Wmp
Vp1
Vjn
Vji
V1i
Vpi
Xi
V1n
Xn
Gambar 4 Arsitektur jaringan (Siang 2009)
Pelatihan backpropagation meliputi 3 fase, yaitu:
1 Propagasi maju (feedforward)
Setiap neuron pada hidden layer dan output layer dihitung masing-masing nilai
aktivasinya sesuai dengan fungsi aktivasi yang digunakan.
2 Propagasi balik galat (propagasi mundur/backward)
Setiap output neuron menghitung informasi galat antara nilai output yang
dihasilkan dan nilai target. Informasi galat ini dikirimkan ke layer di bawahnya.
3 Penyesuaian bobot
Setiap output neuron dan hidden neuron mengubah bias dan bobot-bobotnya
sesuai dengan nilai galat.
Ketiga tahapan tersebut diulang terus hingga kondisi penghentian dipenuhi.
Penghentian terjadi jika jumlah iterasi yang dilakukan sudah melebihi jumlah
maksimum iterasi yang ditetapkan atau jika kesalahan yang terjadi sudah lebih
kecil dari batas toleransi yang diizinkan (Fausett 1994).
Jaringan syaraf tiruan resilient backpropagation merupakan algoritme yang
digunakan untuk mempercepat pembelajaran pada pelatihan jaringan syaraf tiruan
backpropagation. Algoritme JST resilient backpropagation menggunakan tanda
turunan untuk menentukan arah perbaikan bobot. Besarnya perubahan bobot
ditentukan oleh parameter faktor naik dan faktor turun. Pada awal iterasi, besarnya
perubahan bobot diinisialisasikan dengan parameter detla0. Besarnya perubahan
bobot tidak boleh melebihi parameter deltamax. Apabila perubahan bobot
melebihi batas maksimum, maka perubahan bobot ditentukan sama dengan
maksimum perubahan bobot. Proses propagasi maju pada algoritme JST resilient
backpropagation sama dengan algoritme backpropagation, yang berbeda pada
proses propagasi mundur. Untuk lebih jelas algoritme JST resilient
backpropagation dapat dilihat pada Lampiran 2.
8
Perancangan Modul JST
Tahap pembuatan modul ini menggunakan JST backpropagation resilient
dengan struktur parameter yang ditunjukkan pada Tabel 3.
Tabel 3 Karakteristik JST
Karakteristik
Spesifikasi
Arsitektur
1 hidden layer
Neuron input
13,26,52 (koefisien hasil ekstraksi ciri)
Neuron output
24 (banyaknya chord dasar)
Fungsi aktivasi
Sigmoid biner
Inisialisasi bobot
Nguyen widrow
Hidden neuron
10, 25, 50, 100
Toleransi galat
10-4
Learning rate
0.01
Faktor naik
1.2
Faktor turun
0.5
delta0
0.1
Deltamax
50
Pelatihan
Pelatihan sistem menggunakan modul JST backpropagation resilient
dengan parameter yaitu hidden neuron, toleransi galat, learning rate, faktor naik,
faktor turun, delta0, dan deltamax.
Pengujian
Tahap ini dilakukan pengujian menggunakan data uji. Hasil pengujian
dianalisis menggunakan tabel confusion matrix. Confusion matrix merupakan
sebuah tabel yang terdiri dari banyaknya baris data uji yang diprediksi benar dan
tidak benar oleh model klasifikasi.
Pengujian model JST dilakukan menggunakan data pengujian yang
menghasilkan akurasi. Persentase tingkat akurasi dihitung dengan fungsi berikut:
00
HASIL DAN PEMBAHASAN
Pengumpulan Data
Pada penelitian ini, data suara 2 chord gitar direkam selama 3 detik. Total
data chord yang telah dikumpulkan sebanyak 8 640 yang terdiri dari 5 760 untuk
data latih dan 2 880 untuk data uji. Sinyal suara tersebut dikenakan proses
9
normalisasi dan proses segmentasi chord terlebih dahulu sebelum diekstraksi ciri
dengan menggunakan MFCC.
Normalisasi dan Segmentasi
Proses normalisasi yaitu membagi setiap nilai dengan nilai maksimum pada
data masing-masing suara agar didapat rentang nilai amplitudo suara yang sama
yaitu antara -1
1. Sedangkan proses segmentasi dilakukan dengan
mengabsolutkan nilai chord setelah dinormalisasi, kemudian membuat batas
theshold antara 1 500 sampai 30 000. Dari batas theshold tersebut akan diseleksi
rentang nilai chord terpanjang yang kurang dari rata-rata dimana rentang tersebut
antara 5 000 sampai 20 000. Rentang terpanjang tersebut yang dinamakan jeda
dan akan dipotong.
Hasil yang digunakan dalam proses pengolahan MFCC merupakan data
berupa vektor, sehingga sebelum diolah data yang berisi sinyal chord gitar
tersebut harus dikonversi. Proses konversi dilakukan dengan menggunakan
perangkat lunak MATLAB R2008b yang mengubah nilai sinyal tersebut menjadi
vektor. Gambar 5 merupakan contoh vektor dari sinyal chord C dan chord G.
Proses dilanjutkan dengan tahap MFCC setelah semua data dalam bentuk vektor
yang diharapkan.
Gambar 5 Vektor sinyal suara chord C dan chord G
Ekstraksi Ciri dengan MFCC
Proses MFCC dilakukan dengan membuat fungsi pada auditory toolbox
Matlab. Fungsi MFCC tersebut diperoleh dari Buono (2009). Pada proses MFCC
digunakan 4 parameter yaitu sampling rate, time frame, overlap, dan cepstral
coefficient. Pada penelitian ini akan digunakan time frame 100 ms, overlap 0.4,
koefisien cepstral sebesar 13, 26, dan 52. MFCC mengubah sinyal suara ke dalam
suatu matriks yang sesuai dengan ukuran koefisien yang digunakan dikali dengan
banyaknya frame suara yang terbentuk. Matriks ini menunjukkan ciri spectral dari
10
sinyal suara tersebut. Masing-masing data suara yang telah diproses dengan
MFCC memiliki jumlah frame berbeda-beda.
Pelatihan
Parameter JST yang optimal sangat diperlukan untuk mendapatkan model
JST yang baik. Karakteristik JST yang digunakan merupakan parameter dari
resilient backpropagation, yaitu hidden neuron, toleransi galat, learning rate,
faktor naik, faktor turun, delta0, dan deltamax.
Pencarian parameter JST optimal dapat dilakukan dengan kombinasi
hidden neuron. Penelitian ini menggunakan kombinasi jumlah hidden neuron 10,
25, 50, dan 100. Sedangkan parameter lain dibuat sesuai nilai default-nya, yaitu
nilai toleransi galat 0.01, nilai learning rate 0.0001, nilai faktor naik 1.2, nilai
faktor turun 0.5, nilai delta0 0.1, dan nilai deltamax 50.
Hasil Pengujian
Tahap pengujian dilakukan dengan menggunakan kombinasi parameter
yang berbeda sehingga terlihat perbandingan akurasi dan diperoleh hasil yang
baik. Parameter yang digunakan adalah sebagai berikut:
1 Time frame sebesar 100 ms
2 Overlap 0.4
3 Koefisien cepstral 13, 26, dan 52
4 Hidden neuron 10, 25, 50, dan 100
5 Toleransi galat 0.01
6 Learning rate 0.0001
7 Faktor naik 1.2
8 Faktor turun 0.5
9 delta0 0.1
10 deltamax 50
Tabel 4 menunjukkan perbandingan akurasi penggunaan koefisien cepstral
13, 26, dan 52 terhadap nilai hidden neuron 10, 25, 50, dan 100. Rataan akurasi
terendah diperoleh dengan koefisien cepstral 13, yaitu sebesar 44.43% pada
hidden neuron 10. Sedangkan rataan akurasi tertinggi diperoleh dengan koefisien
cepstral 52, yaitu sebesar 95.56% pada hidden neuron 100.
Tabel 4 Perbandingan nilai akurasi antara koefisien dengan hidden neuron
Koefisien cepstral
13
26
52
10
44.34%
70.28%
88.78%
Hidden neuron
25
50
51.15%
52.60%
77.71%
79.83%
93.47%
94.76%
100
53.37%
80.97%
95.56%
Pada penelitian ini, nilai hidden neuron berbanding lurus dengan akurasi
yang dihasilkan sistem. Nilai hidden neuron 10 menghasilkan nilai akurasi
terendah untuk masing-masing koefisien ceptral. Sedangkan akurasi tertinggi
diperoleh pada hidden neuron 100. Nilai hidden neuron mempengaruhi kenaikan
11
Akurasi (%)
akurasi dan lama waktu pelatihan. Meskipun nilai hidden neuron tinggi tetapi
tidak dapat dijadikan acuan untuk memperoleh nilai akurasi yang tinggi.
Penggunaan nilai hidden neuron lebih dari 100 akan mempengaruhi peningkatan
nilai akurasi tetapi tidak signifikan. Sebaliknya, jika digunakan nilai hidden
neuron lebih kecil dari 100, maka diperoleh nilai akurasi kecil tetapi waktu
pelatihan lebih cepat. Representasi data dari Tabel 4 dalam bentuk grafik dapat
dilihat pada Gambar 6.
100
90
80
70
60
50
40
30
20
10
0
88.78
93.47
94.76
95.56
77.71
79.83
80.97
51.15
52.60
53.37
25
50
100
Koefisien cepstral
70.28
44.43
10
13
26
52
Hidden neuron
Gambar 6 Perbandingan akurasi antara koefisien cepstral dengan hidden neuron
Kecenderungan peningkatan jumlah koefisien cepstral dan hidden neuron
terhadap nilai akurasi diperoleh dengan menggunakan nilai overlap 0.4 dan time
frame 100 ms. Akurasi tertinggi diperoleh sebesar 95.56% yaitu pada koefisien
cepstral 52 dan jumlah hidden neuron sebanyak 100. Sedangkan akurasi terendah
diperoleh sebesar 44.43% ketika nilai koefisien cepstral 13 dan jumlah hidden
neuron sebanyak 10.
Analisis Percobaan
Pengujian identifikasi chord gitar dengan koefisien cepstral 13, 26 dan 52
menghasilkan nilai akurasi yang berbeda, dapat dilihat pada Tabel 5. Tingkat
akurasi tertinggi diperoleh pada koefisien 52 dan hidden neuron 100 sebesar
95.56%. Sedangkan akurasi terendah diperoleh pada koefisien 13 dengan nilai
hidden neuron 10 sebesar 44.43 %.
Tabel 5 Rata-rata akurasi koefisien cepstral berdasarkan nilai hidden neuron
Hidden neuron
10
25
50
100
Rata-rata
Koefisien 13
44.34%
51.15%
52.60%
53.37%
50.37%
Koefisien 26
70.28%
77.71%
79.83%
80.97%
77.20%
Koefisien 52
88.78%
93.47%
94.76%
95.56%
93.14%
12
Berdasarkan Tabel 5, dapat disimpulkan bahwa koefisien cepstral 52
menghasilkan akurasi yang lebih baik dari koefisien cepstral 13 dan 26 untuk
masing-masing nilai hidden neuron yang telah ditentukan. Selain itu rata-rata
akurasi yang dihasilkan koefisien cepstral 13, 26, dan 52 adalah 50.37%, 77.20%,
dan 93.14%.
Analisis Kesalahan
Pengembangan JST resilient backpropagation untuk identifikasi chord
gitar pada koefisien 52 dengan nilai hidden neuron 100 mampu menghasilkan
hasil rata- rata akurasi yang baik. Confusion matrix koefisien 52 dengan nilai
hidden neuron 100 dapat dilihat pada Lampiran 3.
Kesalahan identifikasi chord gitar pada koefisien 52 dengan nilai hidden
neuron 100 diperoleh sebanyak 20 kesalahan. Kesalahan terbanyak sebesar 33
kesalahan identifikasi dihasilkan pada chord ke-10 atau chord C#m. Dari 120 data
uji, terindentifikasi kesalahan sebagai chord C#, chord F#, chord G#m, chord
A#m dan chord G#.
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan dapat diambil kesimpulan
bahwa penilitian ini telah berhasil mengembangkan implementasi metode jaringan
syaraf tiruan resilient backpropagation dan teknik ekstraksi ciri MFCC dalam
identifikasi chord gitar. Selain itu, penelitian ini mampu mengidentifikasi
campuran nada gitar. Akurasi tertinggi diperoleh sebesar 95.56% dengan
penggunaan time frame 100 ms, overlap 0.4, koefisien cepstral 52, dan hidden
neuron sebanyak 100.
Saran
Pada penelitian ini, parameter yang digunakan masih sesuai nilai defaultnya. Untuk penelitian selanjutnya, nilai default tersebut dapat diganti agar
diperoleh hasil akurasi yang lebih baik. Selain itu, pada penelitian berikutnya
dapat dilakukan penambahan jumlah chord gitar.
13
DAFTAR PUSTAKA
Buono A. 2009. Representasi nilai HOS dan model MFCC sebagai ekstraksi ciri
pada sistem identifikasi pembicara di lingkungan ber-noise menggunakan
HMM [disertasi]. Depok (ID): Universitas Indonesia.
Do MN. 1994. Digital signal processing mini-project: an automatic recognition
system. Laussane (CH): Federal Institute of Technology.
Fausett L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms,
and Applications. New York (US): Prentice-Hall.
Siang JJ. 2009. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan
MATLAB. Yogyakarta (ID): Penerbit ANDI.
Susanto N. 2007. Pengembangan model jaringan syaraf tiruan resilient
backpropagation untuk identifikasi pembicara dengan praproses MFCC
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Taufani MF. 2011. Perbandingan pemodelan wavelet dan MFCC sebagai ekstraksi
ciri pada pengenalan fonem dengan teknik jaringan syaraf tiruan sebagai
classifier [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Wisnudisastra E. 2009. Pengenalan chord pada alat musik gitar menggunakan
codebook dengan teknik ekstraksi ciri MFCC [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
14
Lampiran 1 Bentuk chord yang digunakan pada pelatihan dan pengujian
15
Lampiran 1 Lanjutan
16
Lampiran 2 Algoritme JST propagasi balik resilient (Susanto 2007)
Langkah 0. Inisialisasi bobot
Langkah 1. Selama syarat henti salah, lakukan langkah 2–9
Langkah 2.
Untuk setiap pasangan pelatihan (masukan dan target), lakukan
langkah 3–8
Langkah 3. Setiap unit masukan (Xi, i = 1,...,n) menerima sinyal masukan xi dan
meneruskannya ke seluruh unit pada lapisan diatasnya (hidden unit)
Langkah 4. Setiap unit tersembunyi (Zj, j = 1,....,p) menghitung total sinyal
masukan terbobot,
n
n
0
lalu menghitung sinyal keluarannya dengan fungsi aktivasi,
n ,
dan mengirimkan sinyal ini ke seluruh unit pada lapisan atasnya
(lapisan output).
Langkah 5. Setiap unit output (Yk, k = 1,....,m) menghitung total sinyal masukan
terbobot,
n
w
w0
lalu menghitung sinyal keluaran dengan fungsi aktivasi,
n .
Langkah 6. Setiap unit output (Yk, k = 1,....,m) menerima sebuah pola target yang
sesuai dengan polamasukan pelatihannya. Unit tersebut menghitung
informasi kesalahan,
t - )
n
l
l
kemudian menghitung koreksi bobot (digunakan untuk mengubah wjk
nanti),
0
w l
w
w
w
w
l
0
w
l
0
w ,
n
lta a
w
0
w
0
0
0
hitung juga nilai koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai b )
17
Lampiran 2 Lanjutan
l
l
l
b
b
b
b
b
0
0
0
n
b ,
lta a
0
a
b ,
lta
0
n
b
b
0
0
b
0
0
Langkah 7. Setiap unit tersembunyi (Zj, j = 1,....,p) menghitung selisih input (dari
unit-unit pada layer atasnya)
w
n
lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung
informasi errornya
n
n
l
l
kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk
memperbaiki nilai vij)
l
0
l
0
l
0
,
0
0
0
0
hitung juga koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai
)
l
0
b
b
b
b
l
0
b
l
0
n
b ,
lta a
0
a
b ,
lta
0
n
18
Lampiran 2 Lanjutan
b
b
0
b
0
0
0
Langkah 8. Setiap unit output (Yk, k = 1,....,m) mengubah bias dan bobot-bobotnya
(j=0,...,p)
w
w n w w l
l
b
b n w b
Setiap unit tersembunyi (Zj, j = 1,....,p) mengubah bias dan bobotbobotnya (i=1,..,n)
l
n w
l
b
b n w b
Langkah 9. Uji syarat henti :
n
Jika besar mean squared error
n
t-
lebih kecil daripada
toleransi yang telah ditentukan atau jumlah epoch pelatihan sudah mencapai
epoch maksimum, selesai; jika tidak, kembali ke Langkah 1.
19
Lampiran 3 Confusion matrix kesalahan dalam pengenalan chord pada koefisien 52 dengan nilai hidden neuron 100
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
A
115
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
Am
5
116
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
A#
0
0
120
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
A#m
0
0
0
117
0
0
0
0
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
B
0
0
0
0
116
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
Bm
0
0
0
0
4
119
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
C
0
0
0
0
0
0
119
1
2
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
Cm
0
0
0
0
0
0
0
118
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
C#
0
0
0
0
0
0
0
0
103
20
0
0
0
0
0
0
1
0
0
0
0
0
0
0
C#m
0
0
0
0
0
0
0
0
8
87
0
0
0
0
0
0
0
0
0
0
0
0
3
0
D
Dm
D#
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
0
0
0
115
3
0
13
105
0
0
0
120
0
0
9
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Rataan akurasi
D#m
0
0
0
0
0
0
0
0
1
0
0
0
0
107
0
0
0
0
0
0
0
0
0
0
E
0
0
0
0
0
0
0
0
1
0
0
0
0
0
120
0
0
0
0
0
0
0
0
0
Em
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
116
0
0
0
0
3
0
0
0
F
0
0
0
0
0
0
0
0
1
0
0
2
0
0
0
0
117
4
0
0
0
0
0
0
Fm
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
2
0
116
0
0
0
0
0
0
F#
0
0
0
0
0
0
0
0
3
3
0
0
0
1
0
0
0
0
119
0
0
0
0
0
F#m
0
0
0
0
0
0
0
0
0
0
1
0
0
2
0
0
0
0
0
118
0
0
0
0
G
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
116
0
1
1
Gm
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
G#
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0
1
0
0
0
116
0
G#m
0
1
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
117
Akurasi(%)
95.83%
96.67%
100.00%
97.50%
96.67%
99.17%
99.17%
98.33%
85.83%
72.50%
95.83%
87.50%
100.00%
89.17%
100.00%
96.67%
97.50%
96.67%
99.17%
98.33%
96.67%
100.00%
96.67%
97.50%
95.56%
20
RIWAYAT HIDUP
Penulis dilahirkan di Sumedang tanggal 22 Maret 1987 dari Ibu Yayah dan
Bapak Yoyo. Penulis merupakan anak pertama dari dua bersaudara. Pada tahun
2006, penulis lulus dari Sekolah Menengah Atas (SMA) YZA 2 Bogor dan pada
tahun yang sama diterima di Direktorat Program Diploma IPB Program Keahlian
Teknik Komputer melalui jalur Undangan Seleksi Masuk IPB. Pada tahun 2009
penulis lulus dari Diploma IPB dan pada tahun 2010 melanjutkan pendidikan di
Program Alih Jenis Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan
Alam, IPB.
BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR
YOSI NURHAYATI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER
INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Model
Jaringan Syaraf Tiruan Resilient Backpropagation Untuk Identifikasi Chord Gitar
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, November 2013
Yosi Nurhayati
NIM G64104063
ABSTRAK
YOSI NURHAYATI. Pengembangan Model Jaringan Syaraf Tiruan Resilient
Backpropagation untuk Identifikasi Chord Gitar. Dibimbing oleh AGUS
BUONO.
Penelitian ini mengembangkan pengenalan suara untuk mengidentifikasi
chord gitar menggunakan metode jaringan syaraf tiruan resilient backpropagation
sebagai metode pengenalan pola dan MFCC sebagai metode ekstraksi ciri. Tujuan
penelitian ini adalah menemukan parameter-parameter yang dapat menghasilkan
akurasi tertinggi. Parameter yang digunakan dalam proses pengenalan pola
resilient backpropagation, yaitu hidden neuron, toleransi galat, learning rate,
faktor naik, faktor turun, delta0, dan deltamax. Sedangkan parameter yang
digunakan untuk proses MFCC adalah sampling rate, time frame, overlap, dan
jumlah cepstral coefficient. Total data suara chord yang digunakan pada penelitian
ini sebanyak 8 640 yang diperoleh dari 24 chord. Berdasarkan hasil penelitian
yang telah dilakukan, akurasi tertinggi sebesar 95.56% diperoleh dengan
menggunakan hidden neuron 100, jumlah koefisien cepstral 52, overlap 0.4, dan
time frame 100 ms.
Kata kunci: chord, jaringan syaraf tiruan resilient backpropagation, mel frequency
cepstral coefficients (MFCC).
ABSTRACT
YOSI NURHAYATI. Resilient Backpropagation Neural Network Model
Development To Identify Guitar Chord. Supervised by AGUS BUONO.
This study developed a sound recognition to identify guitar chords by using
resilient backpropagation neural network as the pattern recognition method and
MFCC as the feature extraction method. The aim of this study is to find the
parameters that can produce the highest accuracy. The parameters used in the
process of resilient backpropagation pattern recognition are the hidden neurons,
error tolerance, learning rate, up factor, down factor, delta0, and deltamax.
Meanwhile the parameters used for the MFCC are the sampling rate, time frame,
overlap, and the number of cepstral coefficient. There were 8 640 data utilized in
this study, which were obtained from 24 different chords. It was found that a
highest accuracy of 95.56% can be obtained by using 100 hidden neurons, 52
numbers of cepstral coefficient, overlap score of 0.4, and the time frame of 100
ms.
Keywords: chord, mel frequency cepstral coefficients (MFCC), resilient
backpropagation neural network.
PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT
BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR
YOSI NURHAYATI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji:
1 Mushthofa, SKom MSc
2 Muhammad Asyhar Agmalaro, SSi MKom
Judul Skripsi : Pengembangan Model Jaringan Syaraf Tiruan
Backpropagation Untuk Identifikasi Chord Gitar
Nama
: Yosi Nurhayati
NIM
: G64104063
Resilient
Disetujui oleh
Dr Ir A
MKom
Pembimbing
Tanggal Lulus:
. ..
ｾ｟
Ｑ ＢＧｾＭ
3 a NOV 2013
ｾＭＡｉ［ｊ
______
I1!!!!• •_ _-mIlI'
Judul Skripsi : Pengembangan Model Jaringan Syaraf Tiruan
Backpropagation untuk Identifikasi Chord Gitar
Nama
: Yosi Nurhayati
NIM
: G64104063
Disetujui oleh
Dr Ir Agus Buono, MSi MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen Ilmu Komputer
Tanggal Lulus:
Resilient
PRAKATA
Alhamdulillah, puji syukur ke hadirat Allah subhanahu wa ta’ala karena
dengan rahmat dan hidayah-Nya karya ilmiah ini berhasil diselesaikan. Tema
yang dipilih dalam penelitian yang dilaksanakan sejak bulan September 2012
ialah ekstraksi ciri dan pengenalan pola, dengan judul Pengembangan Model
Jaringan Syaraf Tiruan Resilient Backpropagation Untuk Identifikasi Chord Gitar.
Penulis sadar bahwa tugas akhir ini tidak akan terselesaikan tanpa bantuan
dari berbagai pihak. Pada kesempatan ini, penulis ingin mengucapkan terima
kasih kepada:
1 Orang tua tercinta Bapak Yoyo, SPdI dan Ibu Yayah atas segala doa dan
dukungan yang tiada hentinya.
2 Bapak Dr Ir Agus Buono, MSi MKom selaku pembimbing yang telah
memberikan arahan, bimbingan, dan saran selama penelitian ini berlangsung.
3 Bapak Mushthofa, SKom MSc dan Bapak Muhammad Ashyar Agmalaro, SSi
MKom selaku penguji untuk penelitian ini.
4 Ahmad Somadi, Corry Diana, Mira Della, Bernita, Puspita, Irene, Dania, Mba
Dyah, Mba Susan, Krisna dan Kosan Minang Palace atas dukungan, bantuan
dan semangat yang diberikan kepada penulis.
5 Teman-teman satu bimbingan Arviani Rizki, Toni Haryono, dan Armen Marta
terima kasih atas kerjasamanya.
6 Seluruh teman-teman Ilkomerz Angkatan 5 atas persahabatan, dukungan,
bantuan, semangat, dan kekeluargaannya selama ini.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan
skripsi ini. Semoga karya ilmiah ini bermanfaat.
Bogor, November 2013
Yosi Nurhayati
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE PENELITIAN
2
Pengumpulan Data
3
Normalisasi
3
Segmentasi
3
Data Latih
4
Data Uji
4
Ekstraksi Ciri dengan MFCC
5
Pengenalan Pola dengan JST Resilient Backpropagation
6
Perancangan Modul JST
8
Pelatihan
8
Pengujian
8
HASIL DAN PEMBAHASAN
8
Pengumpulan Data
8
Normalisasi dan Segmentasi
9
Ekstraksi Ciri dengan MFCC
9
Pelatihan
10
Hasil Pengujian
10
SIMPULAN DAN SARAN
12
Simpulan
12
Saran
12
DAFTAR PUSTAKA
13
RIWAYAT HIDUP
20
DAFTAR TABEL
1
2
3
4
5
Daftar chord gitar
Komposisi data chord
Karakteristik JST
Perbandingan nilai akurasi antara koefisien dengan hidden neuron
Rata-rata akurasi koefisien cepstral berdasarkan nilai hidden neuron
3
4
8
10
11
DAFTAR GAMBAR
1
2
3
4
5
6
Alur penelitian proses identifikasi chord gitar
Proses segmentasi chord C dan G
Diagram alur MFCC (Buono 2009)
Arsitektur jaringan (Siang 2009)
Vektor sinyal suara chord C dan chord G
Perbandingan akurasi antara koefisien cepstral dengan hidden neuron
2
4
5
7
9
11
DAFTAR LAMPIRAN
1 Bentuk chord yang digunakan pada pelatihan dan pengujian
2 Algoritme JST propagasi balik resilient (Susanto 2007)
3 Confusion matrix kesalahan dalam pengenalan chord pada koefisien
52 dengan nilai hidden neuron 100
14
16
19
1
PENDAHULUAN
Latar Belakang
Dalam dunia musik dikenal istilah chord. Chord ini yang dijadikan sebagai
acuan pada musik atau lagu. Chord merupakan rangkaian nada yang membangun
keharmonisasian pada musik (Wisnudisastra 2009). Salah satu contoh alat musik
yang menghasilkan bunyi-bunyian dan memiliki chord sebagai acuan nada adalah
gitar. Seorang pemain musik harus mengerti dan mengenali chord apa saja pada
lagu yang dimainkannya. Bagi musisi, hal ini sangat mudah dilakukan karena
sistem pendengaran dalam mengenali dan memainkan nada chord pada suatu lagu
atau musik sudah terlatih. Lain halnya bagi seorang pemula, hal ini akan sulit
dilakukan karena sistem pendengaran dalam mengenali dan memainkan nada
chord belum terlatih.
Solusi untuk menanggulangi masalah tersebut yaitu dengan penggunaan
komputer sebagai sistem pengenalan chord pada alat musik gitar. Hal ini
dikarenakan karakteristik komputer yang konsisten terhadap eksekusi perintah
yang diberikan dan memudahkan pengguna sistem untuk mendapatkan hasil
pengenalan chord yang akurat.
Pada penelitian sebelumnya, Wisnudisastra (2009) menggunakan metode
codebook sebagai pengenalan pola dan menggunakan teknik MFCC sebagai
ekstraksi ciri dalam mengenali sebuah chord. Metode dan teknik tersebut
menghasilkan rataan akurasi sebesar 91% untuk percobaan menggunakan 13
koefisien cepstral dan sebesar 96% untuk percobaan menggunakan 26 koefisien
cepstral. Penelitian lainnya yang terkait dilakukan oleh Susanto (2007) dengan
objek dan metode berbeda yaitu identifikasi pembicara menggunakan jaringan
syaraf tiruan (JST) resilient backpropagation diperoleh rataan akurasi terbaik
sebesar 92.8%.
Oleh karena itu, pada penelitian ini akan dibangun sistem dengan
menggunakan metode jaringan syaraf tiruan (JST) resilient backpropagation dan
menggunakan teknik MFCC sebagai ekstraksi cirinya. Dalam pengenalan suara,
MFCC dapat merepresentasikan sinyal lebih baik dibandingkan dengan linear
prediction cepstrum coefficient (LPCC) dan teknik lainnya (Buono 2009). Metode
LPCC memiliki keunggulan waktu komputasi yang lebih sederhana, namun
tingkat akurasinya tidak sebaik MFCC. Penelitian lain menyimpulkan bahwa
penggunaan metode wavelet sebagai ekstraksi ciri pada pengenalan pola tidak
memberikan hasil yang lebih baik daripada penggunaan metode MFCC (Taufani
2011). Pada JST resilient backpropagation terdapat proses pelatihan yang
berulang-ulang dan memiliki tambahan parameter faktor naik juga faktor turun.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1 Mengembangkan metode jaringan syaraf tiruan resilient backpropagation dan
teknik ekstraksi ciri MFCC untuk identifikasi chord gitar.
2 Mengidentifikasi dua chord gitar yaitu dari chord satu ke chord lainnya.
3 Mengetahui nilai akurasi dari identifikasi chord gitar.
2
Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan informasi mengenai tingkat
akurasi pengembangan metode jaringan syaraf tiruan resilient backpropagation
dalam identifikasi chord gitar.
Ruang Lingkup Penelitian
Adapun ruang lingkup dari penelitian ini antara lain:
1 Chord yang dikenali hanyalah chord mayor dan minor.
2 Chord yang dikenali dimainkan dengan cara dipukul serentak dari atas ke
bawah maupun sebaliknya dalam satu posisi untuk masing-masing chord.
3 Suara chord yang dikenali hanya suara chord yang dimainkan dengan
menggunakan jenis gitar akustik dengan senar string.
METODE PENELITIAN
Sistem pengenalan suara chord gitar diwujudkan melalui suatu program
dengan menggunakan perangkat lunak MATLAB R2008b. Pembuatan program
dibagi menjadi beberapa tahap yaitu perumusan masalah dengan teori-teori terkait,
pengambilan data suara gitar, normalisasi, segmentasi, MFCC, pembuatan modul
JST, parameter JST, pengujian, analisis dan pembahasan, dokumentasi dan
pelaporan. Tahapan tersebut dapat dilihat pada Gambar 1.
Gambar 1 Alur penelitian proses identifikasi chord gitar
3
Pengumpulan Data
Pada penelitian ini data suara berasal dari 24 chord gitar yang dimainkan
dengan cara dipukul serentak dari atas ke bawah. Proses perekaman akan diulang
sebanyak 15 kali untuk setiap suara transisi 2 chord gitar dari 24 chord. Total
perkalian antara 24 chord pertama, 24 chord kedua, dan 15 kali perekaman yaitu
sebanyak 8 640 yang akan digunakan untuk data latih sebanyak 5 760 dan data uji
sebanyak 2 880.
Proses perekaman data suara chord misalnya dari suara chord C ke D
sebanyak 15 kali, lalu suara chord C ke C# sebanyak 15 kali, dan seterusnya
sehingga masing-masing chord memiliki 10 data suara untuk data latih dan 5 data
suara untuk data uji. File data suara chord direkam selama 3 detik dengan format
berekstensi WAV. Setiap perekaman suara menggunakan sampling rate sebesar
11 000 Hz. Chord yang dipakai ada 24 jenis terdiri dari chord mayor dan chord
minor seperti pada Tabel 1. Ke-24 chord mayor dan minor tersebut hanya
dimainkan pada satu posisi saja. Bentuk dari 24 chord mayor dan minor yang
digunakan untuk proses pelatihan dan pengujian pada penelitian ini dapat dilihat
pada Lampiran 1.
Tabel 1 Daftar chord gitar
Chord dasar
Mayor
Minor
C
C
Cm
C#
C#
C#m
D
D
Dm
D#
D#
D#m
E
E
Em
F
F
Fm
F#
F#
F#m
G
G
Gm
G#
G#
G#m
A
A
Am
A
A#
A#m
B
B
Bm
Normalisasi
Tahap normalisasi merupakan proses membuat rentang nilai antara -1 1.
Setiap data suara memiliki nilai rentang amplitudo yang berbeda sehingga data
suara perlu dinormalisasi terlebih dahulu dengan cara membagi setiap nilai
dengan nilai maksimum pada data masing-masing suara agar didapat rentang nilai
amplitudo suara yang sama.
Segmentasi
Tahap segmentasi untuk deteksi jeda pada setiap transisi 2 chord. Tahap ini
dilakukan dengan mengabsolutkan setiap nilai chord yang telah dinormalisasi.
Dari nilai tersebut ditentukan nilai threshold yang digunakan sebagai batas tinggi
sinyal untuk jeda dan bukan jeda. Data kontinyu yang panjang pada bagian jeda
4
akan dipotong. Perpindahan chord C ke G akan mendapatkan hasil segmentasi
chord C ke G seperti pada Gambar 2. Hasil pemotongan nada transisi 2 chord dari
C ke G menjadi 3 bagian, yaitu chord C, jeda, dan chord G.
Gambar 2 Proses segmentasi chord C dan G
Data Latih
Data latih hasil perkalian dari 24 transisi 2 chord dengan 24 jumlah chord
mayor dan minor yang masing-masing direkam 10 suara. Kemudian dipilih 10
data suara secara acak dari masing-masing transisi chord untuk dijadikan sebagai
data latih. Data latih selanjutnya diproses pada tahap MFCC dan jaringan syaraf
tiruan resilient backpropagation untuk menghasilkan suatu model. Model ini
berfungsi sebagai alat penentu keputusan dari hasil pengujian.
Data Uji
Data uji hasil perkalian dari 24 transisi 2 chord dengan 24 jumlah chord
mayor dan minor yang masing-masing direkam 5 suara. Data uji ini akan diproses
dengan tahap MFCC, selanjutnya akan diuji menggunakan model yang telah
terbentuk dari tahap pelatihan. Komposisi data chord yang dipakai dalam
penelitian seperti pada Tabel 2.
Tabel 2 Komposisi data chord
Komposisi
Jumlah
Jumlah chord
24
Jumlah kombinasi
576
Data latih
5 760
Data uji
2 880
Total data
8 640
5
Ekstraksi Ciri dengan MFCC
Tahapan teknik MFCC lebih jelasnya disajikan pada Gambar 3 (Buono
2009).
Sinyal Suara
Frame ke
t
O=
…,
Windowing:
n = t n * w (n , 0 ≤ n ≤ N-1
w(n) = 0.54 – 0.46 cos (2 n/(N-1))
dalam domain waktu
N = jumlah sampel pada setiap frame, n = frame ke-…
W = formula hamming window,
= nilai data ke n
t
Fast Fourier Transform (FFT):
n
a n tu
n
N = jumlah data pada domain frekuensi, j=bilangan imajiner, k = N/2 + 1, i = n x t
Mel Frequency Wrapping : mel(f) = 2595 log (1 + f / 700)
dari sini diperoleh M filter, dan dihitung spektrum Mel:
(k) = nilai filter segitiga ke i,
M = jumlah filter, N = banyaknya data
Cepstrum Coefficients : Discrete Cosine Transform
s
, j = jumlah koefisien cepstral
M = jumlah filter ,
,
i = jumlah wrapping
Gambar 3 Diagram alur MFCC (Buono 2009)
MFCC merupakan ekstraksi ciri yang telah banyak digunakan pada
pemrosesan suara, terutama pada sistem indentifikasi pembicara. Berdasarkan
Gambar 4 ada 5 tahapan proses MFCC yaitu frame blocking, windowing,
transformasi fourier (FFT), mel frequency wrapping, dan transformasi kosinus
(discrete cosine transform).
6
Frame Blocking
Pada tahap ini sinyal suara dibagi ke dalam bentuk frame dan setiap frame
memiliki N sample yang direpresentasikan dalam bentuk vektor. Setiap frame
yang bersebelahan saling tumpang tindih atau overlap. Hal ini ditujukan agar
tidak ada informasi yang hilang. Pada penelitian ini akan digunakan time frame
100 ms, overlap 40%, koefisien cepstral sebesar 13, 26, dan 52.
Windowing
Proses windowing dilakukan pada setiap frame untuk meminimalkan
diskontinyuitas sinyal pada awal dan akhir tiap frame (Do 1994).
Transformasi Fourier (FFT)
Fast Fourier transform dilakukan untuk mengkonversi N sample setiap
frame dari domain waktu ke domain frekuensi. Hal ini dilakukan karena
pendengaran manusia didasarkan atas domain frekuensi.
Mel Frequency Wrapping
Skala mel-frequency merupakan selang frekuensi linear di bawah 1 000 Hz
dan selang logaritmik frekuensi di atas 1 000 Hz. Mel-frequency wrapping
umumnya dilakukan dengan menggunakan filterbank.
Transformasi Kosinus (Discrete Cosine Transform)
Pada tahap ini akan dikonversi mel-frequency ke dalam domain waktu
dengan menggunakan discrete cosine transform (DCT). Hasilnya disebut dengan
mel-frequency cepstrum coefficient (MFCC).
Pengenalan Pola dengan JST Resilient Backpropagation
Pengenalan pola dengan JST resilient backpropagation dilakukan untuk
data latih, setelah vektor ciri diperoleh dari proses MFCC. Jaringan Syaraf Tiruan
(JST) merupakan suatu sistem pemrosesan informasi yang memiliki karakteristikkarakteristik menyerupai jaringan syaraf biologi (Fausett 1994).
Backpropagation merupakan metode pembelajaran terawasi dan biasanya
digunakan oleh jaringan multilayer. Gambar 4 menunjukkan arsitektur JST
Backpropagation dengan n buah masukan. Unit input atau masukan dilambangkan
dengan X, hidden unit dilambangkan dengan Z, dan unit output atau keluaran
dilambangkan dengan Y. V merupakan bobot dari unit masukan X ke unit layer
tersembunyi Z . Sedangkan W merupakan bobot dari unit layer tersembunyi Z ke
unit keluaran Y.
7
Y1
W10
Yk
Ym
Wkp
Wk0
W11
Wk1
W1j
Wkj
Wm0
W1p
Wmj
Wm1
1
Z1
Zj
Zp
V11
V10
1
Vj0
Vp0
Vpn
Vj1
X1
Wmp
Vp1
Vjn
Vji
V1i
Vpi
Xi
V1n
Xn
Gambar 4 Arsitektur jaringan (Siang 2009)
Pelatihan backpropagation meliputi 3 fase, yaitu:
1 Propagasi maju (feedforward)
Setiap neuron pada hidden layer dan output layer dihitung masing-masing nilai
aktivasinya sesuai dengan fungsi aktivasi yang digunakan.
2 Propagasi balik galat (propagasi mundur/backward)
Setiap output neuron menghitung informasi galat antara nilai output yang
dihasilkan dan nilai target. Informasi galat ini dikirimkan ke layer di bawahnya.
3 Penyesuaian bobot
Setiap output neuron dan hidden neuron mengubah bias dan bobot-bobotnya
sesuai dengan nilai galat.
Ketiga tahapan tersebut diulang terus hingga kondisi penghentian dipenuhi.
Penghentian terjadi jika jumlah iterasi yang dilakukan sudah melebihi jumlah
maksimum iterasi yang ditetapkan atau jika kesalahan yang terjadi sudah lebih
kecil dari batas toleransi yang diizinkan (Fausett 1994).
Jaringan syaraf tiruan resilient backpropagation merupakan algoritme yang
digunakan untuk mempercepat pembelajaran pada pelatihan jaringan syaraf tiruan
backpropagation. Algoritme JST resilient backpropagation menggunakan tanda
turunan untuk menentukan arah perbaikan bobot. Besarnya perubahan bobot
ditentukan oleh parameter faktor naik dan faktor turun. Pada awal iterasi, besarnya
perubahan bobot diinisialisasikan dengan parameter detla0. Besarnya perubahan
bobot tidak boleh melebihi parameter deltamax. Apabila perubahan bobot
melebihi batas maksimum, maka perubahan bobot ditentukan sama dengan
maksimum perubahan bobot. Proses propagasi maju pada algoritme JST resilient
backpropagation sama dengan algoritme backpropagation, yang berbeda pada
proses propagasi mundur. Untuk lebih jelas algoritme JST resilient
backpropagation dapat dilihat pada Lampiran 2.
8
Perancangan Modul JST
Tahap pembuatan modul ini menggunakan JST backpropagation resilient
dengan struktur parameter yang ditunjukkan pada Tabel 3.
Tabel 3 Karakteristik JST
Karakteristik
Spesifikasi
Arsitektur
1 hidden layer
Neuron input
13,26,52 (koefisien hasil ekstraksi ciri)
Neuron output
24 (banyaknya chord dasar)
Fungsi aktivasi
Sigmoid biner
Inisialisasi bobot
Nguyen widrow
Hidden neuron
10, 25, 50, 100
Toleransi galat
10-4
Learning rate
0.01
Faktor naik
1.2
Faktor turun
0.5
delta0
0.1
Deltamax
50
Pelatihan
Pelatihan sistem menggunakan modul JST backpropagation resilient
dengan parameter yaitu hidden neuron, toleransi galat, learning rate, faktor naik,
faktor turun, delta0, dan deltamax.
Pengujian
Tahap ini dilakukan pengujian menggunakan data uji. Hasil pengujian
dianalisis menggunakan tabel confusion matrix. Confusion matrix merupakan
sebuah tabel yang terdiri dari banyaknya baris data uji yang diprediksi benar dan
tidak benar oleh model klasifikasi.
Pengujian model JST dilakukan menggunakan data pengujian yang
menghasilkan akurasi. Persentase tingkat akurasi dihitung dengan fungsi berikut:
00
HASIL DAN PEMBAHASAN
Pengumpulan Data
Pada penelitian ini, data suara 2 chord gitar direkam selama 3 detik. Total
data chord yang telah dikumpulkan sebanyak 8 640 yang terdiri dari 5 760 untuk
data latih dan 2 880 untuk data uji. Sinyal suara tersebut dikenakan proses
9
normalisasi dan proses segmentasi chord terlebih dahulu sebelum diekstraksi ciri
dengan menggunakan MFCC.
Normalisasi dan Segmentasi
Proses normalisasi yaitu membagi setiap nilai dengan nilai maksimum pada
data masing-masing suara agar didapat rentang nilai amplitudo suara yang sama
yaitu antara -1
1. Sedangkan proses segmentasi dilakukan dengan
mengabsolutkan nilai chord setelah dinormalisasi, kemudian membuat batas
theshold antara 1 500 sampai 30 000. Dari batas theshold tersebut akan diseleksi
rentang nilai chord terpanjang yang kurang dari rata-rata dimana rentang tersebut
antara 5 000 sampai 20 000. Rentang terpanjang tersebut yang dinamakan jeda
dan akan dipotong.
Hasil yang digunakan dalam proses pengolahan MFCC merupakan data
berupa vektor, sehingga sebelum diolah data yang berisi sinyal chord gitar
tersebut harus dikonversi. Proses konversi dilakukan dengan menggunakan
perangkat lunak MATLAB R2008b yang mengubah nilai sinyal tersebut menjadi
vektor. Gambar 5 merupakan contoh vektor dari sinyal chord C dan chord G.
Proses dilanjutkan dengan tahap MFCC setelah semua data dalam bentuk vektor
yang diharapkan.
Gambar 5 Vektor sinyal suara chord C dan chord G
Ekstraksi Ciri dengan MFCC
Proses MFCC dilakukan dengan membuat fungsi pada auditory toolbox
Matlab. Fungsi MFCC tersebut diperoleh dari Buono (2009). Pada proses MFCC
digunakan 4 parameter yaitu sampling rate, time frame, overlap, dan cepstral
coefficient. Pada penelitian ini akan digunakan time frame 100 ms, overlap 0.4,
koefisien cepstral sebesar 13, 26, dan 52. MFCC mengubah sinyal suara ke dalam
suatu matriks yang sesuai dengan ukuran koefisien yang digunakan dikali dengan
banyaknya frame suara yang terbentuk. Matriks ini menunjukkan ciri spectral dari
10
sinyal suara tersebut. Masing-masing data suara yang telah diproses dengan
MFCC memiliki jumlah frame berbeda-beda.
Pelatihan
Parameter JST yang optimal sangat diperlukan untuk mendapatkan model
JST yang baik. Karakteristik JST yang digunakan merupakan parameter dari
resilient backpropagation, yaitu hidden neuron, toleransi galat, learning rate,
faktor naik, faktor turun, delta0, dan deltamax.
Pencarian parameter JST optimal dapat dilakukan dengan kombinasi
hidden neuron. Penelitian ini menggunakan kombinasi jumlah hidden neuron 10,
25, 50, dan 100. Sedangkan parameter lain dibuat sesuai nilai default-nya, yaitu
nilai toleransi galat 0.01, nilai learning rate 0.0001, nilai faktor naik 1.2, nilai
faktor turun 0.5, nilai delta0 0.1, dan nilai deltamax 50.
Hasil Pengujian
Tahap pengujian dilakukan dengan menggunakan kombinasi parameter
yang berbeda sehingga terlihat perbandingan akurasi dan diperoleh hasil yang
baik. Parameter yang digunakan adalah sebagai berikut:
1 Time frame sebesar 100 ms
2 Overlap 0.4
3 Koefisien cepstral 13, 26, dan 52
4 Hidden neuron 10, 25, 50, dan 100
5 Toleransi galat 0.01
6 Learning rate 0.0001
7 Faktor naik 1.2
8 Faktor turun 0.5
9 delta0 0.1
10 deltamax 50
Tabel 4 menunjukkan perbandingan akurasi penggunaan koefisien cepstral
13, 26, dan 52 terhadap nilai hidden neuron 10, 25, 50, dan 100. Rataan akurasi
terendah diperoleh dengan koefisien cepstral 13, yaitu sebesar 44.43% pada
hidden neuron 10. Sedangkan rataan akurasi tertinggi diperoleh dengan koefisien
cepstral 52, yaitu sebesar 95.56% pada hidden neuron 100.
Tabel 4 Perbandingan nilai akurasi antara koefisien dengan hidden neuron
Koefisien cepstral
13
26
52
10
44.34%
70.28%
88.78%
Hidden neuron
25
50
51.15%
52.60%
77.71%
79.83%
93.47%
94.76%
100
53.37%
80.97%
95.56%
Pada penelitian ini, nilai hidden neuron berbanding lurus dengan akurasi
yang dihasilkan sistem. Nilai hidden neuron 10 menghasilkan nilai akurasi
terendah untuk masing-masing koefisien ceptral. Sedangkan akurasi tertinggi
diperoleh pada hidden neuron 100. Nilai hidden neuron mempengaruhi kenaikan
11
Akurasi (%)
akurasi dan lama waktu pelatihan. Meskipun nilai hidden neuron tinggi tetapi
tidak dapat dijadikan acuan untuk memperoleh nilai akurasi yang tinggi.
Penggunaan nilai hidden neuron lebih dari 100 akan mempengaruhi peningkatan
nilai akurasi tetapi tidak signifikan. Sebaliknya, jika digunakan nilai hidden
neuron lebih kecil dari 100, maka diperoleh nilai akurasi kecil tetapi waktu
pelatihan lebih cepat. Representasi data dari Tabel 4 dalam bentuk grafik dapat
dilihat pada Gambar 6.
100
90
80
70
60
50
40
30
20
10
0
88.78
93.47
94.76
95.56
77.71
79.83
80.97
51.15
52.60
53.37
25
50
100
Koefisien cepstral
70.28
44.43
10
13
26
52
Hidden neuron
Gambar 6 Perbandingan akurasi antara koefisien cepstral dengan hidden neuron
Kecenderungan peningkatan jumlah koefisien cepstral dan hidden neuron
terhadap nilai akurasi diperoleh dengan menggunakan nilai overlap 0.4 dan time
frame 100 ms. Akurasi tertinggi diperoleh sebesar 95.56% yaitu pada koefisien
cepstral 52 dan jumlah hidden neuron sebanyak 100. Sedangkan akurasi terendah
diperoleh sebesar 44.43% ketika nilai koefisien cepstral 13 dan jumlah hidden
neuron sebanyak 10.
Analisis Percobaan
Pengujian identifikasi chord gitar dengan koefisien cepstral 13, 26 dan 52
menghasilkan nilai akurasi yang berbeda, dapat dilihat pada Tabel 5. Tingkat
akurasi tertinggi diperoleh pada koefisien 52 dan hidden neuron 100 sebesar
95.56%. Sedangkan akurasi terendah diperoleh pada koefisien 13 dengan nilai
hidden neuron 10 sebesar 44.43 %.
Tabel 5 Rata-rata akurasi koefisien cepstral berdasarkan nilai hidden neuron
Hidden neuron
10
25
50
100
Rata-rata
Koefisien 13
44.34%
51.15%
52.60%
53.37%
50.37%
Koefisien 26
70.28%
77.71%
79.83%
80.97%
77.20%
Koefisien 52
88.78%
93.47%
94.76%
95.56%
93.14%
12
Berdasarkan Tabel 5, dapat disimpulkan bahwa koefisien cepstral 52
menghasilkan akurasi yang lebih baik dari koefisien cepstral 13 dan 26 untuk
masing-masing nilai hidden neuron yang telah ditentukan. Selain itu rata-rata
akurasi yang dihasilkan koefisien cepstral 13, 26, dan 52 adalah 50.37%, 77.20%,
dan 93.14%.
Analisis Kesalahan
Pengembangan JST resilient backpropagation untuk identifikasi chord
gitar pada koefisien 52 dengan nilai hidden neuron 100 mampu menghasilkan
hasil rata- rata akurasi yang baik. Confusion matrix koefisien 52 dengan nilai
hidden neuron 100 dapat dilihat pada Lampiran 3.
Kesalahan identifikasi chord gitar pada koefisien 52 dengan nilai hidden
neuron 100 diperoleh sebanyak 20 kesalahan. Kesalahan terbanyak sebesar 33
kesalahan identifikasi dihasilkan pada chord ke-10 atau chord C#m. Dari 120 data
uji, terindentifikasi kesalahan sebagai chord C#, chord F#, chord G#m, chord
A#m dan chord G#.
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan dapat diambil kesimpulan
bahwa penilitian ini telah berhasil mengembangkan implementasi metode jaringan
syaraf tiruan resilient backpropagation dan teknik ekstraksi ciri MFCC dalam
identifikasi chord gitar. Selain itu, penelitian ini mampu mengidentifikasi
campuran nada gitar. Akurasi tertinggi diperoleh sebesar 95.56% dengan
penggunaan time frame 100 ms, overlap 0.4, koefisien cepstral 52, dan hidden
neuron sebanyak 100.
Saran
Pada penelitian ini, parameter yang digunakan masih sesuai nilai defaultnya. Untuk penelitian selanjutnya, nilai default tersebut dapat diganti agar
diperoleh hasil akurasi yang lebih baik. Selain itu, pada penelitian berikutnya
dapat dilakukan penambahan jumlah chord gitar.
13
DAFTAR PUSTAKA
Buono A. 2009. Representasi nilai HOS dan model MFCC sebagai ekstraksi ciri
pada sistem identifikasi pembicara di lingkungan ber-noise menggunakan
HMM [disertasi]. Depok (ID): Universitas Indonesia.
Do MN. 1994. Digital signal processing mini-project: an automatic recognition
system. Laussane (CH): Federal Institute of Technology.
Fausett L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms,
and Applications. New York (US): Prentice-Hall.
Siang JJ. 2009. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan
MATLAB. Yogyakarta (ID): Penerbit ANDI.
Susanto N. 2007. Pengembangan model jaringan syaraf tiruan resilient
backpropagation untuk identifikasi pembicara dengan praproses MFCC
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Taufani MF. 2011. Perbandingan pemodelan wavelet dan MFCC sebagai ekstraksi
ciri pada pengenalan fonem dengan teknik jaringan syaraf tiruan sebagai
classifier [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Wisnudisastra E. 2009. Pengenalan chord pada alat musik gitar menggunakan
codebook dengan teknik ekstraksi ciri MFCC [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
14
Lampiran 1 Bentuk chord yang digunakan pada pelatihan dan pengujian
15
Lampiran 1 Lanjutan
16
Lampiran 2 Algoritme JST propagasi balik resilient (Susanto 2007)
Langkah 0. Inisialisasi bobot
Langkah 1. Selama syarat henti salah, lakukan langkah 2–9
Langkah 2.
Untuk setiap pasangan pelatihan (masukan dan target), lakukan
langkah 3–8
Langkah 3. Setiap unit masukan (Xi, i = 1,...,n) menerima sinyal masukan xi dan
meneruskannya ke seluruh unit pada lapisan diatasnya (hidden unit)
Langkah 4. Setiap unit tersembunyi (Zj, j = 1,....,p) menghitung total sinyal
masukan terbobot,
n
n
0
lalu menghitung sinyal keluarannya dengan fungsi aktivasi,
n ,
dan mengirimkan sinyal ini ke seluruh unit pada lapisan atasnya
(lapisan output).
Langkah 5. Setiap unit output (Yk, k = 1,....,m) menghitung total sinyal masukan
terbobot,
n
w
w0
lalu menghitung sinyal keluaran dengan fungsi aktivasi,
n .
Langkah 6. Setiap unit output (Yk, k = 1,....,m) menerima sebuah pola target yang
sesuai dengan polamasukan pelatihannya. Unit tersebut menghitung
informasi kesalahan,
t - )
n
l
l
kemudian menghitung koreksi bobot (digunakan untuk mengubah wjk
nanti),
0
w l
w
w
w
w
l
0
w
l
0
w ,
n
lta a
w
0
w
0
0
0
hitung juga nilai koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai b )
17
Lampiran 2 Lanjutan
l
l
l
b
b
b
b
b
0
0
0
n
b ,
lta a
0
a
b ,
lta
0
n
b
b
0
0
b
0
0
Langkah 7. Setiap unit tersembunyi (Zj, j = 1,....,p) menghitung selisih input (dari
unit-unit pada layer atasnya)
w
n
lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung
informasi errornya
n
n
l
l
kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk
memperbaiki nilai vij)
l
0
l
0
l
0
,
0
0
0
0
hitung juga koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai
)
l
0
b
b
b
b
l
0
b
l
0
n
b ,
lta a
0
a
b ,
lta
0
n
18
Lampiran 2 Lanjutan
b
b
0
b
0
0
0
Langkah 8. Setiap unit output (Yk, k = 1,....,m) mengubah bias dan bobot-bobotnya
(j=0,...,p)
w
w n w w l
l
b
b n w b
Setiap unit tersembunyi (Zj, j = 1,....,p) mengubah bias dan bobotbobotnya (i=1,..,n)
l
n w
l
b
b n w b
Langkah 9. Uji syarat henti :
n
Jika besar mean squared error
n
t-
lebih kecil daripada
toleransi yang telah ditentukan atau jumlah epoch pelatihan sudah mencapai
epoch maksimum, selesai; jika tidak, kembali ke Langkah 1.
19
Lampiran 3 Confusion matrix kesalahan dalam pengenalan chord pada koefisien 52 dengan nilai hidden neuron 100
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
A
115
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
Am
5
116
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
A#
0
0
120
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
A#m
0
0
0
117
0
0
0
0
1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
B
0
0
0
0
116
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
Bm
0
0
0
0
4
119
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
C
0
0
0
0
0
0
119
1
2
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
Cm
0
0
0
0
0
0
0
118
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
C#
0
0
0
0
0
0
0
0
103
20
0
0
0
0
0
0
1
0
0
0
0
0
0
0
C#m
0
0
0
0
0
0
0
0
8
87
0
0
0
0
0
0
0
0
0
0
0
0
3
0
D
Dm
D#
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
0
0
0
115
3
0
13
105
0
0
0
120
0
0
9
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Rataan akurasi
D#m
0
0
0
0
0
0
0
0
1
0
0
0
0
107
0
0
0
0
0
0
0
0
0
0
E
0
0
0
0
0
0
0
0
1
0
0
0
0
0
120
0
0
0
0
0
0
0
0
0
Em
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
116
0
0
0
0
3
0
0
0
F
0
0
0
0
0
0
0
0
1
0
0
2
0
0
0
0
117
4
0
0
0
0
0
0
Fm
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
2
0
116
0
0
0
0
0
0
F#
0
0
0
0
0
0
0
0
3
3
0
0
0
1
0
0
0
0
119
0
0
0
0
0
F#m
0
0
0
0
0
0
0
0
0
0
1
0
0
2
0
0
0
0
0
118
0
0
0
0
G
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
116
0
1
1
Gm
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
0
0
G#
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0
1
0
0
0
116
0
G#m
0
1
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
117
Akurasi(%)
95.83%
96.67%
100.00%
97.50%
96.67%
99.17%
99.17%
98.33%
85.83%
72.50%
95.83%
87.50%
100.00%
89.17%
100.00%
96.67%
97.50%
96.67%
99.17%
98.33%
96.67%
100.00%
96.67%
97.50%
95.56%
20
RIWAYAT HIDUP
Penulis dilahirkan di Sumedang tanggal 22 Maret 1987 dari Ibu Yayah dan
Bapak Yoyo. Penulis merupakan anak pertama dari dua bersaudara. Pada tahun
2006, penulis lulus dari Sekolah Menengah Atas (SMA) YZA 2 Bogor dan pada
tahun yang sama diterima di Direktorat Program Diploma IPB Program Keahlian
Teknik Komputer melalui jalur Undangan Seleksi Masuk IPB. Pada tahun 2009
penulis lulus dari Diploma IPB dan pada tahun 2010 melanjutkan pendidikan di
Program Alih Jenis Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan
Alam, IPB.