Penerapan LVQ dengan inisialisasi K-means untuk pengenalan nada gitar dengan ekstraksi ciri MFCC

PENERAPAN LVQ DENGAN INISIALISASI K-MEANS
UNTUK PENGENALAN NADA GITAR DENGAN
EKSTRAKSI CIRI MFCC

ARIF BUDIARTO

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan LVQ
dengan Inisialisasi K-means untuk Pengenalan Nada Gitar dengan Ekstraksi Ciri
MFCC 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, 31 Mei 2014
Arif Budiarto
G64114036

ABSTRAK
ARIF BUDIARTO. Penerapan LVQ dengan Inisialisasi K-means untuk
Pengenalan Nada Gitar dengan Ekstraksi Ciri MFCC. Dibimbing oleh AGUS
BUONO.
Manusia dapat mengenali suara melalui proses yang dilakukan secara
berulang-ulang. Namun, tidak banyak orang yang mampu mengenali suara chord
gitar. Penelitian ini bertujuan untuk membuat suatu sistem pengenalan chord gitar
menggunakan metode LVQ sebagai pengenalan pola dan MFCC sebagai ekstraksi
ciri. Bobot awal yang digunakan pada metode LVQ diperoleh dengan
menginisialisasi K-means. Data yang digunakan sebanyak 8640 data suara gitar
dengan 24 jumlah chord. Masing-masing data terdiri atas 2 chord yang akan diuji
secara terpisah. Parameter LVQ yang digunakan adalah learning rate 0.002, epoh
100, dan penurunan learning rate 0.9. Parameter yang digunakan dalam proses
MFCC adalah time frame, overlap, jumlah koefisien cepstral dan jumlah cluster.

Hasil percobaan menunjukkan bahwa akurasi maksimum yang diperoleh adalah
83.65% pada time frame 30 ms, overlap 0.4, koefisien cepstral 26, dan jumlah
cluster 100.
Kata kunci: chord gitar, Learning Vector Quantization (LVQ), Mel Frequency
Cepstral Coefficients (MFCC)

ABSTRACT
ARIF BUDIARTO. Application of LVQ Using K-means Initializations for Guitar
Tone Chord Recognition with MFCC Feature Extraction. Supervised by AGUS
BUONO.
Humans can recognize the sound through a process that is done repeatedly.
However, not many people are able to identify the sound of guitar chords. This
study used LVQ as pattern recognition and MFCC as feature extraction. Initial
weights were initialited by K-means clustering. A collection of 8640 sound data
were used with 24 guitar chords. Each data consist of two chords that were tested
separately. The parameters used in the process LVQ were 0.002 learning rate, 100
epoch, and 0.9 learning rate decrease. The parameters used in the process of
MFCC were the time frame, overlap, the number of cepstral coefficient and the
number of clusters. The experimental results showed that the maximum accuracy
of 83.65% was obtained with 30 ms time frame, 0.4 overlap, 26 cepstral

coefficients, and 100 clusters.
Keywords: guitar chord, Learning Vector Quantization (LVQ), Mel Frequency
Cepstral Coefficients (MFCC)

PENERAPAN LVQ DENGAN INISIALISASI K-MEANS
UNTUK PENGENALAN NADA GITAR DENGAN
EKSTRAKSI CIRI MFCC

ARIF BUDIARTO

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

2014

Judul Skripsi : Penerapan LVQ dengan Inisialisasi K-means untuk Pengenalan
Nada Gitar dengan Ekstraksi Ciri MFCC
Nama
: Arif Budiarto
NIM
: G64114036

Disetujui oleh

Dr Ir Agus Buono, MSi MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian ini ialah Penerapan LVQ dengan Inisialisasi K-means
untuk Pengenalan Nada Gitar dengan Ekstraksi Ciri MFCC.
Terima kasih penulis ucapkan kepada semua pihak yang telah membantu
dan berperan besar dalam menyusun tugas akhir ini, antara lain :
1 Kedua orang tua tercinta, Bapak Kardimin dan Ibu Rusniyati atas doa,
dorongan semangat dan kasih sayang yang selalu diberikan.
2 Dr Ir Agus Buono MSi, MKom selaku pembimbing yang telah
memberikan ilmu, waktu, bimbingan dan nasihat selama mengerjakan
tugas akhir ini.
3 Bapak Toto Haryanto SKom, MSi dan Ibu Karlisa Priandana ST, MEng
selaku dosen penguji yang telah memberikan waktu, arahan dan saran
selama penelitian ini berlangsung hingga selesai.
4 Fajar Puji Astuti, Muhammad Satriyanto dan seluruh keluarga atas segala
doa dan kasih sayangnya.
5 Toni Haryono yang telah memberikan data suara gitar pada penelitian ini
dan memberikan dukungan serta semangat.

6 Rekan-rekan ilkom angkatan 6 yang telah membantu penulis untuk
menyelesaikan tugas akhir ini.
7 Departemen Ilmu Komputer, dosen, dan staf yang telah banyak membantu
selama masa perkuliahan dan menyelesaikan tugas akhir ini.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan
skripsi ini. Penulis berharap dengan segala kekurangan yang ada semoga tulisan
ini bisa memberikan manfaat kelak di kemudian hari. Amin.Semoga karya ilmiah
ini bermanfaat.

Bogor, 31 Mei 2014
Arif Budiarto

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

METODE PENELITIAN

2

Studi Pustaka

2

Pengambilan Data Suara Gitar

3

Praproses

4

Data Latih

5

Data Uji

5

Ekstraksi Ciri dengan MFCC

5

Pengenalan Pola dengan LVQ

8

Evaluasi

9

Lingkungan Pengembangan Sistem
HASIL DAN PEMBAHASAN

10
10

Pengumpulan Data

10

Ekstraksi Ciri dengan MFCC

11

Pemodelan Learning Vector Quantization

11

Hasil Pengujian

11

SIMPULAN DAN SARAN

14

Simpulan

14

Saran

15

DAFTAR PUSTAKA

15

LAMPIRAN

17

RIWAYAT HIDUP

21

DAFTAR TABEL
1
2
3
4
5

Daftar chord gitar
Komposisi data chord gitar
Matriks Konfusion Tiap Kelas
Parameter pengujian yang diujicobakan
Hasil Percobaan dengan Pemodelan LVQ

4
5
9
12
13

DAFTAR GAMBAR
1
2
3
4
5
6
7

Diagram alur penelitian pengenalan chord gitar
Segmentasi chord F dan chord G
Alur proses MFCC (Buono 2009)
Jaring Learning Vector Quantization
Hasil Akurasi Percobaan Koefisien 13
Hasil Akurasi Percobaan Koefisien 26
Grafik Perbandingan Akurasi dengan Koefisien Cepstral 13 dan 26

3
5
6
8
12
13
14

DAFTAR LAMPIRAN
1
2
3
4

Bentuk dan Posisi Chord Yang Digunakan
Matriks Konfusion
Grafik sensitivity dan specificity
Tabel Penghitungan Sensitivity dan Specificity Masing-Masing kelas

17
18
19
20

PENDAHULUAN
Latar Belakang
Manusia memiliki panca indra yang memiliki kegunaan masing-masing,
salah satunya adalah indra pendengaran. Indra pendengaran pada manusia selain
berguna untuk mendengar juga berguna untuk mengenali suara. Manusia dapat
mengenali suara melalui proses yang dilakukan secara berulang-ulang. Contohnya
seseorang dapat mengenali pembicara melalui suara telepon karena seseorang
tersebut sudah sering mendengar pembicara tersebut berbicara sebelumnya.
Begitu juga halnya dengan chord pada gitar. Chord merupakan rangkaian nada
yang membangun keharmonisan pada musik (Wisnudisastra 2009). Bagi para
pemula yang baru belajar gitar, tentunya akan kesulitan mengenali suara chord.
Hal ini dikarenakan para pemula belum terbiasa mendengar suara-suara chord
gitar. Para pemula berbeda dengan seorang pemusik atau musisi yang sudah
terbiasa mendengar nada-nada sehingga dapat dengan mudah mengenali chord.
Solusi yang dapat dilakukan untuk menanggulangi masalah tersebut adalah
dengan cara komputerisasi. Penggunaan komputer sebagai sistem pengenalan
chord pada gitar dapat membantu pemula mengenali chord gitar. Secara
sederhana cara kerja sistem adalah dengan mencari ciri dari setiap chord dengan
Mel Frequency Ceptrum Coefficient (MFCC) dan pengenalan pola menggunakan
Learning Vector Quantization (LVQ) sebagai classifier.
Penelitian sebelumnya mengenali chord gitar dengan metode codebook
mendapatkan akurasi sebesar 95.6% (Haryono 2013). Penelitian lain menyebutkan
bahwa metode MFCC lebih baik dibandingkan dengan metode Wavelet sebagai
ekstraksi ciri. MFCC memiliki akurasi yang lebih tinggi dibandingkan metode
Wavelet yaitu sebesar 92.3% untuk MFCC dan 32.7% untuk Wavelet (Gustiawati
2011). Penelitian lain yang terkait yaitu membandingkan metode Kohonen Neural
Network (KNN) dengan metode Learning Vector Quantization pada pengenalan
pola tandatangan (Prabowo et al. 2006). LVQ memiliki akurasi lebih baik sebesar
93.80% dibandingkan dengan KNN yaitu sebesar 89.59%. Oleh karena itu metode
MFCC digunakan pada penelitian ini sebagai metode ekstraksi ciri dan LVQ
digunakan sebagai klasifikasi.
.
Perumusan Masalah
Pada tahap ini mulai dilakukan perumusan masalah mengenai teori-teori
yang dibutuhkan untuk penelitian ini. Ada beberapa perumusan masalah, antara
lain:
1 Bagaimana cara mengidentifikasi suara 2 chord gitar?
2 Bagaimana tingkat akurasi sistem dalam mengimplementasikan metode LVQ
dan teknik MFCC.
3 Bagaimana pengaruh peningkatan jumlah cluster (k) terhadap peningkatan
akurasi.

2
Tujuan Penelitian
Tujuan penelitian ini adalah:
1 Mengembangkan metode LVQ dan teknik ekstraksi ciri MFCC dalam
pengenalan chord gitar.
2 Mengetahui akurasi pengenalan chord gitar dengan menggunakan ekstraksi ciri
MFCC dan metode LVQ.
Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan informasi mengenai akurasi
penggunaan metode LVQ dalam pengenalan chord gitar.
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini antara lain:
1 Chord gitar yang dikenali hanya chord mayor dan minor dan hanya dua chord
saja yang dikenali dalam satu oktaf.
2 Suara chord yang dikenali hanya chord yang dimainkan menggunakan gitar
akustik dengan senar gitar string.
3 Chord gitar dimainkan dengan cara membunyikan senar gitar secara bersamaan
untuk masing-masing chord.
4 Stemming nada pada gitar disesuaikan dengan nada E jika senar 1 tanpa ditekan,
nada B jika senar 2 tidak ditekan, nada G jika senar 3 tidak ditekan, nada D jika
senar 4 tidak ditekan, nada A jika senar 5 tidak ditekan, nada E jika senar 6
tidak ditekan.
5 Chord yang dikenali hanya yang sama bentuk dan posisinya pada saat proses
perekaman untuk data latih dan data uji, seperti pada Lampiran 1.

METODE PENELITIAN
Penelitian ini dilakukan dengan beberapa tahapan proses, yaitu studi
pustaka, pengambilan data, praproses, pemodelan chord dengan LVQ dan evaluasi.
Diagram alur penelitian pengenalan chord gitar dapat dilihat pada Gambar 1.
Studi Pustaka
Tahapan ini melakukan pencarian dan pembelajaran mengenai pustakapustaka apa yang dibutuhkan dalam penelitian ini. Hal-hal yang dibutuhkan antara
lain tentang metode LVQ dan MFCC serta penelitian yang terkait dengan
pengenalan suara akan dicari dan dipelajari untuk dijadikan referensi dalam
penelitian ini.

3

Mulai

Studi
Literatur

Pengambilan
data

Praproses
Data
latih

Data
uji
MFCC

Pemodelan
LVQ

Evaluasi

Selesai

Gambar 1 Diagram alur penelitian pengenalan chord gitar
Pengambilan Data Suara Gitar
Suara yang akan digunakan pada penelitian ini berasal dari suara 24 chord
gitar yang direkam dengan cara membunyikan senar secara bersamaan. Kombinasi
suara 2 chord dari 24 chord akan diulang sebanyak 15 kali perekaman yang terdiri
atas 10 data latih dan 5 data uji. Data kesuluruhan sebanyak 8640 dari hasil
perkalian 24 kombinasi chord dengan 24 jumlah chord yang masing-masing
direkam sebanyak 15 kali. Dari data ini, sebanyak 5760 data digunakan sebagai
data latih dan sebanyak 2880 data digunakan sebagai data uji. Perekaman
dilakukan pada ruangan yang hening agar mendapatkan hasil rekaman yang
sedikit noise.

4
File suara direkam selama 3 detik dalam bentuk berekstensi WAV. Setiap
perekaman suara menggunakan sampling rate 11000 Hz. Chord yang dipakai
adalah 24 jenis chord terdiri atas chord mayor dan minor seperti pada Tabel 1.
Ke-24 chord dimainkan dalam satu posisi saja. Bentuk dan posisi chord yang
digunakan pada pelatihan dan pengujian dapat dilihat pada Lampiran 1.
Tabel1 Daftar chord gitar
Chord Gitar

Mayor

Minor

C

C

Cm

C#

C#

C#m

D

D

D

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

Praproses
Praproses yang dilakukan ialah normalisasi dan segmentasi.
Normalisasi
Proses normalisasi dilakukan untuk mendapatkan range nilai amplitudo
yang sama pada tiap data suara. Normalisasi dilakukan dengan cara membagi
setiap nilai suara dengan nilai maksimum absolut sehingga didapatkan range nilai
amplitudo dari 1 sampai -1.
Segmentasi
Proses segmentasi dilakukan untuk memisahkan chord ke-1 dengan chord
ke-2. Caranya dengan mendeteksi silence pada setiap perpindahan dua chord.
Pada bagian silence akan dipotong dengan membuat batas kritis sehingga didapat
dua suara chord yang terpisah. Setelah melakukan segmentasi, kemudian ekstraksi

5
ciri pada setiap data suara dengan menggunakan metode MFCC. Proses
segmentasi chord F ke G dapat dilihat pada Gambar 2.

Silence

Chord F

Chord G

Gambar 2 Segmentasi chord F dan chord G
Data Latih
Data latih merupakan perkalian dari 24 kombinasi dua chord dengan 24
jumlah chord mayor dan minor yang masing-masing chord direkam 10 suara. 10
data suara dipilih sebagai data latih. Masing-masing kelas pada data latih
diinisialisasi dengan k-means untuk mendapatkan titik centroid yang akan
digunakan sebagai bobot awal pada saat proses pemodelan LVQ. Selanjutnya,
data latih ini akan diproses untuk diekstraksi ciri menggunakan MFCC dan
pemodelan LVQ.
Data Uji
Data uji merupakan 5 suara dari masing-masing kombinasi dua chord pada
15 data suara yang diambil. Data uji ini akan diproses dengan tahap MFCC, bobot
yang didapat dari penghitungan data latih dengan LVQ akan digunakan untuk
mengklasifikasikan data uji tersebut. Komposisi data chord yang digunakan pada
penelitian dapat dilihat pada Tabel 2.
Tabel 2 Komposisi data chord gitar
Komposisi
Chord

Jumlah
24

Kombinasi

576

Data Latih

5760

Data Uji

2880

Ekstraksi Ciri dengan MFCC
Suara yang telah direkam dalam file berekstensi WAV diekstraksi ciri
menggunakan metode MFCC (Mel Frequency Cepstrum Coefisien). MFCC
merupakan cara yang paling sering digunakan untuk ekstraksi ciri pada berbagai
bidang area pemrosesan suara, karena dianggap cukup baik dalam

6
merepresentasikan ciri sebuah sinyal. Alur proses MFCC dapat dilihat pada
Gambar 3 (Buono 2009).

Frame Blocking
Sinyal Suara

Windowing

Fast Fourier Transformation

Mel Frequency Wrapping

Cepstrum Coeffecients

Gambar 3 Alur proses MFCC (Buono 2009)
Berdasarkan alur proses MFCC, sinyal dibaca dari frame ke frame dengan
nilai overlap tertentu lalu dilakukan windowing untuk setiap frame. Kemudian,
transformasi Fourier dilakukan untuk mengubah dimensi suara dari domain waktu
ke domain frekuensi. Dari hasil transformasi Fourier, spectrum mel dihitung
menggunakan sejumlah filter. Proses ini dikenal dengan Mel Frequency Wrapping.
Koefisien MFCC merupakan hasil transformasi Cosinus dari spectrum mel
tersebut dan dipilih K koefisien. Transformasi Cosinus berfungsi untuk
mengembalikan dari domain frekuensi ke domain waktu.
Frame Blocking
Pada tahapan ini sinyal suara yang sudah didijitalkan dibaca dari frame ke
frame dengan lebar tertentu yang saling tumpang tindih. Hal ini ditujukan agar
tidak ada informasi yang hilang. Setiap frame memiliki N sampel yang
direpresentasikan dalam bentuk vektor (Buono 2009).
Windowing
Setiap frame sebagai satu unit terkecil yang mengandung satu unit
informasi, sehingga barisan frame akan menyimpan suatu informasi yang lengkap
dari sebuah sinyal suara. Oleh karena itu, distorsi antar frame harus diperkecil atau
diminimalisasi. Teknik untuk meminimalkan distorsi antar frame adalah dengan
melakukan proses filtering pada setiap frame, yaitu dengan mengalikan frame
dengan filter (Buono 2009). Fungsi windowing yang digunakan adalah Window
Hamming. Berikut adalah fungsi Window Hamming.

7
yt (n) = xt (n) * w (n) , 0 ≤ n ≤ N-1
w(n) = 0.54 – 0.46 cos (2πn /(N-1))

(1)

yt (n) = hasil windowing pada frame ke-n
xt (n) = nilai data ke-n
n
= frame ke-n
N
= jumlah sampel pada setiap frame
w(n) = fungsi Window Hamming
Fast Fourier Transform (FFT)
Pada tahapan ini mengkonversi setiap frame dengan N sampel dari domain
waktu ke domain frekuensi (Do 1994). Berikut ini adalah rumus fast fourier
transform.

Xk
Xn
k
N

(2)

∑

= magnitude frekuensi
= nilai sampel yang akan diproses pada domain frekuensi
= N/2 + 1 , j = bilangan imajiner
= jumlah data pada domain frekuensi

Mel Frequency Wrapping
Dalam proses wrapping diperlukan beberapa filter yang saling overlap
dalam domain frekuensi. Filter yang digunakan adalah berbentuk segitiga dengan
tinggi satu dan rentang filter segitiga tersebut ditentukan berdasarkan hasil studi
psikologi mengenai persepsi manusia dalam menerima frekuensi bunyi. Dari studi
psikologi, telinga manusia mempunyai persepsi terhadap frekuensi suara secara
tidak linier pada frekuensi di atas 1000 Hz. Ukuran persepsi ini dinyatakan dalam
skala mel (Melody) (Buono 2009). Mel frequency wrapping umumnya
menggunakan filterbank. Berikut ini adalah rumus mel frequency wrapping untuk
frekuensi di atas 1000 Hz.
jika Fhz > 1000
[∑|

Hi (k) = nilai filter segitiga ke-i
X(k) = nilai data ke k hasil proses FFT
M
= jumlah filter , N = banyaknya data

|

]

(3)

Cepstrum Coefisien
Pada tahap ini hasil dari mel frequency wrapping dikonversi ke dalam
domain waktu dengan menggunakan discrete cosine transform (DCT). Berikut ini
rumus discrete cosine transform (DCT) (Buono 2009).

8

Cj
Xi
M

∑

(4)

= nilai koefisien C ke j , j = koefisien cepstral
= hasil mel frequency wrapping pada frekuensi ke-n
= jumlah filter , i = jumlah wrapping
Pengenalan Pola dengan LVQ

Learning vector quantization (LVQ) adalah suatu metode klasifikasi di
mana setiap neuron keluaran mewakili kelas tertentu. Bobot vektor untuk neuron
keluaran sering disebut sebagai codebook. Selama pelatihan, bobot neuron
keluaran selalu di update. Setelah pelatihan, LVQ mengklasifikasikan vektor
masukan dengan mencari kelas keluaran yang sesuai dengan menghitung bobot
yang terdekat (Fausett 1994). Jaring learning vector quantization dapat dilihat
pada Gambar 4.
Y1

Yj

Wj

W1

X1

W24

W1

Y24

Wj
W1

W24

Wj

Xi

W24

X13

Gambar 4 Jaring Learning Vector Quantization
Metode LVQ dikerjakan dengan algoritme berikut (Fausett 1994):
Vektor input (x1, …, xi, …, x24).
Kelas untuk vektor input.
Bobot vektor untuk neuron output ke-j, (w1j,…..,wij,…..w24)
Kategori kelas yang mewakili neuron output ke-j.
Jarak euclidean antara vektor input dengan bobot ke j dari neuron
output.
Inisalisasi bobot vektor wij dengan k-means dan set parameter learning rate α.
Selama kondisi berhenti belum terpenuhi, kerjakan tahapan 3-6.
Untuk setiap vektor input x dengan kelas T, kerjakan tahapan 4-5.
Temukan j hingga ||x-wj|| bernilai minimum.
Update bobot wj dengan cara,
Jika T = Cj maka

x
T
wj
Cj
||x – wj||
1.
2.
3.
4.
5.

=
=
=
=
=

9
Jika T ≠ Cj maka

wj(new) = wj(old) + α [x – wj(old)];
wj(new) = wj(old) - α [x – wj(old)];

6. Kurangi learning rate α.
α = r * α , dalam penelitian ini r adalah 0.9.
7. Cek kondisi berhenti, dalam penelitian ini kondisi berhenti adalah apabila
sudah mencapai epoh 100.
Evaluasi
Pengujian dilakukan pada hasil vektor MFCC dari data uji kemudian
diklasifikasikan dengan LVQ menggunakan bobot dari data latih. Sistem
pengenalan chord gitar ini akan mengklasifikasikan suara chord gitar yang telah
teridentifikasi ke kelas yang sesuai. Output yang akan dihasilkan berupa jenis
chord-chord gitar.
Tingkat akurasi sistem akan dihitung untuk mengevaluasi hasil penelitian.
Untuk setiap data yang diuji, akan dilihat apakah data tersebut teridentifikasi
dengan benar atau tidak. Persentase tingkat akurasi dihitung menggunakan fungsi
berikut:
∑ Suara yang benar
Hasil akurasi =

∑ Suara yang diuji

X 100%

(5)

Sensitivity dan Specificity
Dari hasil pengujian didapatkan hasil klasifikasi dalam bentuk matriks
konfusion yang digunakan untuk mencari nilai sensitivity dan specificity.
Sensitivity adalah kemampuan mengukur proporsi positif aktual yang benar
diidentifikasi dengan kelasnya. Specificity adalah kemampuan mengukur proporsi
negatif yang benar diidentifikasi sesuai dengan kondisi, misalkan orang sehat
dengan benar diidentifikasi sebagai orang sehat. Semakin besar nilai sensitivity
dan nilai specificity dari suatu kelas maka semakin baik pula sistem tersebut
mengidentifikasi pada kelas tersebut (Dillak et al.2012). Tabel Confusion matriks
yang digunakan pada sensitivity dan specificity dapat dilihat pada Tabel 3.
Tabel 3 Matriks Konfusion Tiap Kelas
Kelas X

Bukan Kelas
X

Kelas X

∑ TP

∑ FP

Bukan Kelas
X

∑ FN

∑ TN

10
Rumus menghitung sensitivity dan specificity adalah sebagai berikut:

Sensitivity = ∑
Specificity = ∑

∑
∑

∑
∑

(6)

(7)

True Positive (TP) adalah data yang berhasil diidentifikasi dengan benar
oleh classifier. Contohnya, orang sakit dengan benar diidentifikasi sebagai orang
sakit. False Positive (FP) adalah data yang salah diprediksi oleh classifier.
Contohnya, orang sehat salah diprediksi sebagai orang sakit. True Negative (TN)
adalah kebalikan dari True Positive. Contohnya, orang sehat benar diidentifikasi
sebagai orang sehat. False Negatif (FN) contohnya adalah orang sakit salah
diidentifikasi sebagai orang sehat.
Lingkungan Pengembangan Sistem
Penelitian ini diimplementasikan mengunakan spesifikasi perangkat keras
dan lunak sebagai berikut:
1. Perangkat Keras


Intel Core i3 CPU 2.40 GHz.



Memori 4 GB.



Harddisk 500 GB.

2. Perangkat Lunak


Sistem operasi windows 7 ultimate 32 bit.



Matlab 7.7.0 (R2008b).

HASIL DAN PEMBAHASAN
Pengumpulan Data
Pada penelitian ini, data suara dua chord gitar direkam selama 3 detik,
dengan sampling rate 11000 Hz. Total data chord yang digunakan sebanyak 8640
yang terdiri dari 5760 data latih dan 2880 data uji. Sinyal suara tersebut terlebih
dahulu dinormalisasi dan disegmentasi sebelum diekstraksi ciri menggunakan
MFCC.
Normalisasi sinyal suara dengan cara masing-masing nilai suara dibagi
dengan nilai maksimum dari sinyal suara yang telah diabsolutkan. Setelah
dinormalisasi kemudian disegmentasi dengan cara menentukan batas kritis. Sinyal
suara yang lebih kecil dari batas kritis akan dihapus sehingga didapat dua chord
yang terpisah.

11
Ekstraksi Ciri dengan MFCC
Proses MFCC dilakukan dengan membuat fungsi pada auditory toolbox
Matlab. Fungsi MFCC tersebut didapat dari Buono (2009). Parameter yang
dibutuhkan pada proses MFCC yaitu sampling rate, time frame, overlap dan
ceptral coefficient. Pemilihan nilai untuk time frame dan overlap adalah 30 ms
dan 40%. Jumlah koefisien cepstral yang digunakan sebanyak 13 dan 26.
Proses ekstraksi ciri ini dilakukan tehadap semua data. MFCC mengubah
sinyal suara ke dalam suatu matriks yang berukuran jumlah koefisien yang
digunakan dikali dengan banyaknya frame suara yang terbentuk. Matriks ini
menunjukkan ciri spectral dari sinyal suara tersebut. Pada penelitian ini, masingmasing data suara yang telah diproses dengan MFCC memiliki jumlah frame
berbeda-beda.
Pemodelan Learning Vector Quantization
Tahap pemodelan LVQ diawali dengan menentukan beberapa parameter
seperti learning rate, epoh, penurunan learning rate dan bobot awal. Learning
rate yang digunakan pada penelitian ini adalah 0.002, penurunan learning rate
sebesar 0.9 dan epoh 100. Bobot awal ditentukan dengan menginisialisasikan ciriciri dari masing-masing kelas chord dengan k-means, kemudian hasil k-means
tersebut dijadikan vektor dengan menghitung rata-rata dari setiap bobot sehingga
ada 24 bobot yang mewakili tiap kelas. Hasil dari inisialisasi k-means pada
masing-masing kelas tersebut digunakan sebagai bobot awal untuk melatih dengan
pemodelan LVQ.
Neuron input yang digunakan terdiri atas 13 dan 26 didapat dari koefisien
cepstral pada saat ekstraksi ciri. Vektor masukan akan masuk ke masing-masing
node neuron input kemudian dilakukan proses pelatihan. Selama proses pelatihan
bobot akan selalu di-update. Setelah pelatihan, LVQ mengklasifikasikan vektor
masukan dengan mencari kelas keluaran yang direpresentasikan dengan neuron
output sebanyak 24 kelas dengan menghitung bobot yang terdekat.
Hasil Pengujian
Pada penelitian ini, parameter-parameter pengujian yang diujicobakan dapat
dilihat pada Tabel 4.

12
Tabel 4 Parameter pengujian yang diujicobakan
Parameter

LVQ

MFCC

Nilai

Neuron Input

13 dan 26

Neuron Output

24

Vektor Masukan

2880

Learning rate

0.002

Epoh

100

Penurunan Learning Rate

0.9

Time frame

0.4

Overlap

30 ms

Jumlah koefisien cepstral

13 dan 26

Jumlah cluster pada k-means

8, 12, 16, 20, 24, 28, 32, 100

Tahap pengujian dilakukan menggunakan kombinasi parameter yang
berbeda-beda, agar terlihat perbandingan akurasi dan mendapatkan akurasi terbaik.
Pengujian percobaan dengan nilai (k) 8, 12, 16, 20, 24, 28, 32, dan 100 dilakukan
dua pengujian menggunakan koefisien cepstral 13 dan 26. Setiap kombinasi
parameter dilakukan percobaan sebanyak 10 kali dapat dilihat pada Gambar 5 dan
Gambar 6. Dari 10 kali percobaan tersebut diambil akurasi terbaik dari masingmasing kombinasi parameter.
85
80
Percobaan 1

75
Akurasi (%)

Percobaan 2
70

Percobaan 3
Percobaan 4

65

Percobaan 5
Percobaan 6

60

Percobaan 7
55

Percobaan 8
Percobaan 9

50

Percobaan 10
45
K=8 K=12 K=16 K=20 K=24 K=28 K=32 K=100
Jumlah Cluster

Gambar 5 Hasil Akurasi Percobaan Koefisien 13

13
Percobaan yang dilakukan pada koefisien 13 menghasilkan akurasi tertinggi
pada jumlah cluster 8 sebesar 54.13%, jumlah cluster 12 sebesar 56.08%, jumlah
cluster 16 sebesar 56.63%, jumlah cluster 20 sebesar 57.64%, jumlah cluster 24
sebesar 57.92%, jumlah cluster 28 sebesar 58.09%, jumlah cluster 32 sebesar
59.27% dan jumlah cluster 100 sebesar 61.91%.
90

Akurasi (%)

85

Percobaan 1

80

Percobaan 2

75

Percobaan 3

70

Percobaan 4

65

Percobaan 5

60

Percobaan 6

55

Percobaan 7
Percobaan 8

50

Percobaan 9

45
K=8

Percobaan 10

K=12 K=16 K=20 K=24 K=28 K=32 K=100
Jumlah Cluster

Gambar 6 Hasil Akurasi Percobaan Koefisien 26
Percobaan yang dilakukan pada koefisien 26 menghasilkan akurasi tertinggi
pada jumlah cluster 8 sebesar 80.03%, jumlah cluster 12 sebesar 80.14%, jumlah
cluster 16 sebesar 80.69%, jumlah cluster 20 sebesar 80.90%, jumlah cluster 24
sebesar 81.46%, jumlah cluster 28 sebesar 81.86%, jumlah cluster 32 sebesar
82.12% dan jumlah cluster 100 sebesar 83.65%.
Tabel 5 menunjukkan hasil akurasi terbaik dari masing-masing kombinasi
parameter menggunakan pemodelan LVQ. Percobaan tersebut menghasilkan
akurasi terbaik sebesar 83.65% dengan jumlah cluster 100 pada koefisien cepstral
26 dan akurasi terendah sebesar 54.13% dengan jumlah cluster 8 dan koefisien
cepstral 13. Matriks konfusion hasil akurasi tertinggi pada pemodelan LVQ
dengan jumlah cluster 100 dan koefisien cepstral 26 dapat dilihat pada Lampiran
2.
Tabel 5 Hasil Percobaan dengan Pemodelan LVQ
8

12

16

Jumlah cluster
20
24

13

54.13%

56.08%

56.53%

57.64%

57.92%

58.09%

59.27%

61.91%

26

80.03%

80.14%

80.69%

80.90%

81.46%

81.88%

82.12%

83.65%

Koefisien
Cepstral

28

32

100

Gambar 7 menggambarkan kecenderungan peningkatan jumlah cluster dan
koefisien cepstral terhadap tingkat akurasi pada nilai overlap dan time frame

14
tetap, yaitu sebesar 0.4 dan 30 ms. Hasil akurasi terrendah terjadi pada jumlah
cluster 8 pada koefisien cepstral 13 sebesar 54.13%. Akurasi tertinggi terjadi pada
jumlah cluster 100 dengan koefisien cepstral 26 sebesar 83.65%. Hal ini terjadi
karena pada jumlah cluster 8 dan koefisien cepstral 13, cluster yang membentuk
vektor ciri lebih sedikit sehingga sering terjadi kesalahan identifikasi sedangkan
pada jumlah cluster 100 dan koefisien cepstral 26, cluster yang membentuk
vektor ciri jauh lebih banyak sehingga informasi yang dimiliki jauh lebih banyak.
90
80
Akurasi (%)

70
60
50
40

koef = 13

30

koef = 26

20
10
0
k=8

k=12

k=16

k=20 k=24 k=28
Jumlah Cluster

k=32

k=100

Gambar 7 Grafik Perbandingan Akurasi dengan Koefisien Cepstral 13 dan 26
Lampiran 3 menunjukkan grafik sensitivity dan specificity dari matriks
konfusion pada jumlah cluster 100 dan koefisien cepstral 26. Kelas Cm, Dis dan
Gis menunjukkan sensitivity dan specificity yang paling tinggi yaitu sebesar 1. Hal
ini menunjukkan bahwa data true positive yang diidentifikasi masuk ke kelas Cm,
Dis dan Gis benar semua. Kelas Cm, Dis dan Gis dapat membedakan data yang
bukan dari kelas Cm, Dis dan Gis atau true negativenya tinggi sehingga specificity
yang didapatkan tinggi.
Sensitivity dan specificity terrendah dari matriks konfusion pada jumlah
cluster 100 dan koefisien cepstral 26 adalah kelas Ais sebesar 0.46 dan 0.97.
Sensitivity kelas Ais rendah karena kelas Ais salah mengidentifikasi kelas lain
sebagai kelasnya atau true positifnya sedikit. Specificity kelas Ais rendah karena
kemampuan kelas Ais sangat kecil untuk membedakan data yang bukan dari kelas
Ais diantara semua data atau true negativenya sedikit. Tabel perhitungan
sensitivity dan specificity dari semua kelas dapat dilihat pada Lampiran 4.

SIMPULAN DAN SARAN
Simpulan
Penelitian ini menunjukkan bahwa penentuan nilai parameter sangat
berpengaruh terhadap hasil akurasi. Berdasarkan penelitian yang telah dilakukan
dapat diambil kesimpulan sebagai berikut:

15
1.
2.
3.

4.
5.

Penelitian ini telah berhasil mengimplementasikan metode learning vector
quantization dan teknik ekstraksi ciri MFCC dalam pengenalan chord gitar.
Akurasi tertinggi sebesar 83.65% dengan jumlah cluster 100, koefisien
cepstral 26, time frame 30 ms, dan overlap 40%.
Sistem ini mampu mengidentifikasi 2 chord gitar menggunakan metode LVQ
dengan 26 koefisien cepstral pada jumlah cluster 100 menghasilkan akurasi
tertinggi dibandingkan dengan 13 koefisien cepstral.
Jumlah cluster mempengaruhi dalam menentukan hasil akurasi.
Dari 24 kelas, kelas Cm, Dis dan Gis memiliki tingkat sensitivity dan
specificity paling tinggi yaitu sebesar 1. Kelas Ais memiliki tingkat sensitivity
dan specificity paling rendah dari ke-24 kelas yaitu sebesar 0.46 dan 0.97.
Saran

Penelitian ini masih memiliki kekurangan sehingga dapat dikembangkan
lebih lanjut untuk mendapatkan hasil yang lebih baik pada penelitian selanjutnya.
Beberapa saran itu di antaranya:
1. Mencari parameter LVQ yang lebih sesuai agar dapat meningkatkan akurasi
yang lebih baik lagi.
2. Menambahkan jumlah chord gitar yang mampu diidentifikasi, yaitu sebanyak
3 chord atau lebih.
3. Menggunakan metode ekstraksi ciri yang lain sehingga dapat dibandingkan
metode ekstraksi ciri yang menghasilkan akurasi lebih baik.

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: Program Pascasarjana, Universitas Indonesia.
Dillak RY, Harjoko A. 2012. Klasifikasi Fase Retinopati Diabetes Menggunakan
Backpropagation Neural Network. IJCCS.7(1):23-34.
Do MN. 1994. Digital Signal Processing Mini-Project: An Automatic Recognition
System.Laussane(CH): Federal Institute of Technology.
Fausett L. 1994. Fundamental of Neural Network: Architectures, Algorithm, and
Application. USA (US): Prentice-hall Inc.
Gustiawati A. 2011. Perbandingan Metode Wavelet Daubechies dan MFCC
sebagai Ekstraksi Ciri pada Pengenalan Fonem dengan Probabilistic Neural
Network (PNN) sebagai Classifier.[Skripsi]. Bogor (ID): Jurusan Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Pertanian Bogor.
Haryono T. 2013. Pengembangan Model Codebook untuk Konversi Suara Gitar ke
Tangga Nada.[Skripsi]. Bogor (ID): Jurusan Ilmu Komputer, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

16
Prabowo A, Sarwoko EA, Riyanto DE. 2006. Perbandingan antara metode
Kohonen Neural Network dengan metode Learning Vector Quantitation pada
pengenalan pola tandatangan. Jurnal Sains & Matematika.14(4):147-153.
Wisnudisastra E. 2009. Pengenalan Chord Pada Alat Musik Gitar Menggunakan
Codebook dengan Teknik Ekstraksi Ciri MFCC.[Skripsi]. Bogor (ID): Jurusan
Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Pertanian Bogor.

17
Lampiran 1 Bentuk dan Posisi Chord Yang Digunakan

Lampiran 2 Matriks Konfusion

18

19
Lampiran 3 Grafik sensitivity dan specificity
Gm
Gism
Gis
G
Fm
Fism
Fis
F
Em

Kelas Chord

E
Dm
Dism
Dis

Specificity

D
Sensitivity

Cm
Cism
Cis
C
Bm
B
Am
Aism
Ais
A
0

0.1

0.2

0.3

0.4

0.5 0.6
Nilai

0.7

0.8

0.9

1

20
Lampiran 4 Tabel Penghitungan Sensitivity dan Specificity Masing-Masing
kelas
Sensitivity

Kelas

Specificity

Sensitivity

Kelas

Specificity

A

0.84

0.98

Dism

0.91

0.99

Ais

0.46

0.97

Dm

0.62

0.99

Aism

0.94

0.98

E

0.99

0.99

Am

0.76

0.98

Em

0.92

0.99

B

0.85

0.99

F

0.87

0.99

Bm

0.88

0.98

Fis

0.97

0.99

C

0.89

0.99

Fism

0.87

0.99

Cis

0.98

0.99

Fm

0.76

0.99

Cism

0.91

0.99

G

0.95

0.98

1

1

1

1

0.71

0.98

Gism

0.97

0.99

1

1

Gm

0.92

0.99

Cm
D
Dis

Gis

21

RIWAYAT HIDUP
Penulis bernama Arif Budiarto, dilahirkan di Jakarta, DKI Jakarta pada
tanggal 12 Juli 1990. Penulis merupakan anak kedua dari dua bersaudara dari
pasangan Kardimin dan Rusniyati.
Penulis memulai pendidikan formal pada tahun 1995 di TK Kurnia Jaya
Depok, kemudian pada tahun 1996 melanjutkan pendidikan ke jenjang Sekolah
Dasar (SD) di SD Negeri Sukatani 3 dan lulus pada tahun 2002. Kemudian
melanjutkan pendidikannya ke Sekolah Lanjutan Tingkat Pertama (SLTP) di
SLTP Negeri 11 Depok, selesai pada tahun 2005. Sekolah Menengah Atas (SMA)
penulis menyelesaikan sekolahnya pada tahun 2008 di SMA Negeri 4 Depok.
Penulis diterima sebagai mahasiswa Direktorat Program Diploma Institut
Pertanian Bogor (IPB) pada tahun 2008 melalui jalur Undangan Seleksi Masuk
IPB (USMI) pada program keahlian Manajemen Informatika.
Pada tahun 2011 penulis lulus dari Diploma Institut Pertanian Bogor dan
melanjutkan pendidikan di Program Alih Jenis Ilmu Komputer, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.