1. Nilai error yang lebih kecil dibandingkan jaringan syaraf tiruan seperti backpropagation.
2. Dapat meringkas data set yang besar menjadi vektor codebook berukuran kecil untuk klasifikasi.
3. Dimensi dalam codebook tidak dibatasi seperti dalam teknol nearest neighbour.
4. Model yang dihasilkan dapat diperbaharui secara bertahap.
Kekurangan dari LVQ adalah : 1. Dibutuhkan perhitungan jarak untuk seluruh atribut.
2. Akurasi model dengan bergantung pada inisialisasi model serta parameter yang digunakan learning rate, iterasi dan sebagainya .
3. akurasi juga dipengaruhi distribusi kelas pada data training.
4.
sulit untuk menentukan jumlah codebook vektor untuk masalah yang diberikan. Ridwan 2011.
2.6 Penelitian Terdahulu
Dibagian ini akan dijabarkan beberapa penelitian terdahulu. Saat ini sudah banyak penelitian yang berbasis pengenalan suara. Untuk lebih jelasnya. Pada table 2.2
berikut ini akan dijelaskan penelitian – penelitian yang telah dibuat sebelumnya.
Tabel 2.2 Penelitian terdahulu
No. Judul
Tahun Keterangan
1 Perbandingan pemodelan Wavelet dan
MFCC sebagai ekstraksi ciri pada pengenalan fonem dengan teknik jaringan
syaraf tiruan sebagai classifier 2011
Perbandingan dua metode ekstraksi ciri yang berbasis
transformasi Fourier dan transformasi Wavelet pada
pengenalan fonem serta penggunaan JST sebagai
Classifier
2. Pengenalan Chord pada alat musik gitar
menggunakan teknik ekstraksi ciri MFCC 2010
Menerapkan metode Codebook dan teknik ekstraksi
ciri MFCC dalam mengenali setiap chord yang dimainkan
dengan alat musik gitar.
Universitas Sumatera Utara
No. Judul
Tahun Keterangan
3. Verifikasi biometrika suara menggunakan
metode MFCC dan DTW 2011
Penggunaan metode MFCC untuk proses ekstarksi ciri dari
sinyal wicara dan metode DTW Dynamic Time
Warping untuk proses pencocokan.
4.
Pengenalan Suara Alat Musik Dengan Metode Jaringan Saraf Tiruan JST
Learning Vector Quantization Melalui ekstraksi Koefisien Cepstral
2011 Pengenalan suara alat musik
dengan menggunakan metode ekstraksi ciri Koeffisien
Cepstral dan metode pencocokan adalah Learning
Vector Quantization
Universitas Sumatera Utara
BAB 3
ANALISIS DAN PERANCANGAN
Pada bab ini , akan dibahas beberapa hal diantaranya yaitu analisa, design, dan implementasi metode MFCC untuk extraksi fitur dan LVQ dalam pengenalan suara
piano.
Pre-Emphasis Frame Blocking
Windowing Fast Fourier
Transform LVQ
DCT Filterbank Mel
Frequency Warping
DC-Removal
Input Suara
Hasil Partitur
M F
C C
Gambar 3.1
Arsitektur Umum Aplikasi
Universitas Sumatera Utara
24
3.1 Analisis sinyal suara
Suara yang dihasilkan piano adalah sinyal analog dengan amplitudo yang berubah secara kontinyu terhadap waktu. pada manusia frekuensi suara yang dihasilkan adalah
50 Hz – 10 KHz. Sedangkan pada suara alat musik memliki frekuensi 20 Hz – 20 Khz.
Suara yang berada pada range pendengaran manusia disebut Audio dan gelombangnya sebagai accoustic signal sedangkan suara diluar range pendengaran
manusia dapat dikatan sebagai noise getaran yang tidak teratur dan tidak berurutan
dalam berbagai frekuensi, tidak dapat didengar manusia .
agar sinyal suara yang kontinyu dapat diproses. Maka harus digunakan teknik sampling. Teknik sampling adalah proses mengubah gelombang bunyi ke dalam
interval waktu tertentu sehingga menghasilkan representasi digital dari suara.
3.2 Analisis Ekstraksi Fitur Suara Menggunakan MFCC
Dalam ekstraksi fitur. Suara yang telah ada akan dilakukan proses untuk mendapatkan ciri khusus dari sebuah suara. Dengan megubah suara menjadi parameter parameter.
Parameter tersebut akan digunakan ke metode selanjutnya untuk dilakukan pencocokan ciri khusus. Didalam MFCC. Dilakukan beberapa tahap, yaitu :
1. Input suara
2. DC-Removal
3. Pre
– Emphasis 4.
Frame blocking 5.
Windowing 6.
Fast Fourier Transform 7.
Filter bank Mel-Frequency Warping 8.
DCT
3.2.1 Input Suara
Suara yang didapat merupakan suara yang berasal dari sebuah software GARAGEBAND yang memiliki format suara “.wav” . Langkah pertama adalah
Universitas Sumatera Utara
25
dengan memasukkan suara keprogram untuk memasukkan suara. Kali ini akan menggunakan nada DO sebagai bahan uji.
3.2.2 DC-Removal
Remove DC Components bertujuan untuk menghitung rata-rata dari data sampel suara, dan mengurangkan nilai setiap sampel suara dengan nilai rata-rata tersebut.
Tujuannya adalah mendapat normalisasi dari data suara input.
START
AVG = Rataratasig
nal I = 0
Hasil i = signal i - AVG
I signal length
END No
Yes
Gambar 3.2 Flowchart DC-Removal
Contoh data dengan banyak vektor 10 : -0.9,0.9,-0.9,0.6,-0.4,0.9,0.9,0.2,-0.2,0.6 Rumus DC-removal telah dijelaskan pada bab 2 rumus 1.
Jadi : π =
= 0.17
Universitas Sumatera Utara
26
menghasilkan =
3.2.3 Pre-Emphasis
Langkah kedua adalah untuk memmpertahankan frekuensi – frekuensi tinggi pada
sebuah spektrum , yang umumnya tereleminasi pada saat proses produksi suara.
START AVG =
Rataratasig nal
I = 0
Hasil i = signal i + signal i-1
alpha I signal
length No
Yes
Gambar 3.3 Flowchart Pre-Emphasis Filter
Merujuk pada bab sebelumnya di rumus poin ke 2. Dengan α = -0.97 menggunakan contoh vektor
jadi : – –
{
Universitas Sumatera Utara
27
– – menghasilkan :
3.2.4 Frame Blocking Setelah digunakan pre-emphasize filter untuk mempertahankan suara suara tinggi.
Digunakan Frame Blocking untuk memetakan data – data yang akan diambil. Signal
akan diproses secara Short Segment Short Frame .
START
MEMBAGI SIGNAL
WS = Sampling rate framerate
I = 0 to cols -1
a = iws +1 b = a + ws =1
Simpan Blok END
NO YES
Gambar 3.4 Flowchart Frame Blocking
Universitas Sumatera Utara
28
3.2.5 Windowing
Proses framing dapat menyebabkan terjadinya kebocoran spektral atau aliasing. Aliasing adalah signal baru dimana memiliki frekuensi yang berbeda dengan signal
aslinya. Efek ini dapat terjadi karena rendahnya jumlah sampling rate,ataupun karena proses frame blocking dimana menyebabkan signal menjadi discontinue. Maka pada
tahap ini dilakukan proses window pada frame – frame yang telah dihasilkan oleh
tahap sebelumnya. Hal ini bertujuan untuk meminimalkan diskontinuitas pada bagian awal dan akhir sinyal . Model window yang digunakan pada sistem ini adalah haming
window
3.2.6 Analisis Fourier
Analisa berdasarkan fourier transform sama artinya dengan analisa spektrum, karena fourier transform merubah signal digital dari time domain ke domain frekuensi. FFT
dilakukan dengan membagi N buah titik pada transformasi dikrit menjadi 2, masing –
masing N2 titik transformasi. Proses memecah menjadi N4 dan seterusnya sehingga diperoleh titik minimum.
FFT Fast Fourier Transform adalah teknik perhitungan cepat dari DFT. FFT adalah DFT dengan teknik perhitungan yang cepat dengan memanfaatkan sifat
periodical dari transformasi fourier. FFT yang digunakan pada tahap ini adalah FFT Cooley-Tukey.. adapun algoritma FFT Cooley-Tukey adalah :
∑
Dimana : = Panjang Data 2
= – Panjang data = panjang data
Universitas Sumatera Utara
29
Procedure filterbank { menghitung nilai Mel Spectrum
i.s : Sinyal FFT f.s : Sinyal Hasil Filterbank }
kamus H: double
I,N : integer Algoritma
For I = 0 to n do
Begin H[i]
← 2595 log 1 + 1000700 X[i] 2 ; S[1]
← H[i] X[i];
3.2.7 Filter Bank Magnitude hasil dari proses FFT selanjutnya akan melalui tahap filterbank
∑ Dimana :
= Jumlah magnitude Spectrum = Magitude spectrum pada frekuensi j
= Koefesien filterbank pada frekuensi = Jumlah channel dalam filterbank
Untuk mendapatkan H
i
digunakan rumus :
Berikut ini adalah Algoritma untuk proses Filterbank 3.2.8 Discrete Cosine Transform DCT
Hasil dari DCT ini adalah fitur
– fitur yang dibutuhkan oleh penulis untuk melakukan proses analisa terhadap pengenalan suara tersebut. Menggunakan rumus :
∑
Universitas Sumatera Utara
30
= Keluaran dari proses filterbank pada indeks k = jumlah koefesien yang diharapkan
Berikut ini adalah algoritma untuk proses DCT.
3.3 Pencocokan dengan metode Learning Vector Quantization LVQ LVQ merupakan salah satu jaringan saraf tiruan yang melakukan pemebelajaran
secara terawasi. LVQ mengklasifikasikan input secara berkelompok ke dalam kelas yang sudah didefenisikan melalui jaringan yang telah dilatih. Dengan kata lain LVQ
mendapatkan n input dan mengkelompokkan ke dalam m output. Arsitektur jaringan LVQ ini terdiri dari input, lapisan kohonen, dan lapisan output.
Pada proses pelatihan, LVQ menggunakan lapisan kohonen, dimana pada proses pelatihan jaringan ini akan dibandingkan dengan nilai dari vektor yang dilatih dengan
semua elemen pemroses. Jarak terkecil antara vektor yang dilatih dengan elemen pemroses akan menentukan kelas dari data yang dilatih.
3.3.2 Algoritma LVQ Pada beberapa literature mungkin ditemui beberapa algoritma tentang LVQ yang
berbeda. Secara garis besar, algoritma LVQ adalah sebagai berikut.
Procedure DCT k : integer, dct : float
Kamus
K : integer Fbank : float ;
Algoritma
For int n = 0 ; N = k ; N++ Begin
Sum = 0.0; Sum += fbank[k-1]cosnk-0,5 PI
Fiternum; K+1;
End End for ;
Universitas Sumatera Utara
31
1. Langkah pertama adalah menentukan masing masing kelas output, menentukan bobot, dan menenetapkan learning rate
α 2. Bandingkan masing
– masing input dengan masing – masing output bobot yang telah ditetapkan dengan melakukan pengukuran jarak antara masing
– masing bobot w
o
dan input x
p
. persamaannya adalah sebagai berikut
–
3. Nilai minimum dari hasil perbandingan itu akan menentukan kelas dari vektor input dan perubahan bobot dari kelas tersebut. Perubahan untuk bobot baru
w
o
’ dapat dihitung dengan perasamaan berikut.
Untuk input dan bobot yang memiliki kelas yang sama :
Untuk input dan bobot yang memiliki kelas yang berbeda : –
Berikut contoh vektor fitur : Nada yang akan diuji =
Nada latih =
= =
Dengan Epoch = 5 , Learning Rate = 0.05 dan pengurangan Learning Rate LR
= 0.002. Proses pelatihan yang terjadi adalah sebagai berikut :
1. Proses Pelatihan
Data uji di hitung bobotnya dibandingkan dengan nada latih
yang ada. Bobot data latih satu
Universitas Sumatera Utara
32
= √
Bobot data latih kedua √
Bobot data latih ketiga =
√
Jarak terpendek adalah pada data latih pertama, sehingga bobot ke -1 yang baru adalah :
Iterasi 1: – –
– – –
– Didapatlah vektor baru w1
Pengurangan learning Rate LR =
Iterasi 2 : Didapat vektor sementara hasil iterasi pertama
Universitas Sumatera Utara
33
– – –
– – –
Didapat Pengurangan learning Rate
LR =
Iterasi 3: Didapat vektor sementara hasil iterasi kedua
– – –
– – –
Sehingga didapatlah hasil vektor yang baru
Universitas Sumatera Utara
34
2. Proses Pengenalan
Pengenalan nada terhadapat bobot yang sudah didapat, dilakukan dengan mencari jarak antara bobot nada uji dan nada acuan. Jarak bobot terpendek dengan nada acuan
merupakan kelas dari nada uji. Berikut merupakan satu nada untuk menguji metode LVQ :
Dari nada uji tersebut, nilai fitur adalah Selanjutnya nilai
tersebut akan diproses dengan nada acuan untuk mencari jaraknya, seperti berikut :
Bobot data latih pertama =
√
Bobot data latih kedua √
Bobot data latih ketiga =
√
Bobot terkecil terletak pada kelas data pertama. Maka nada uji merupakan kelas yang sama dengan data latih pertama.
3.4 Database
Pada database applkasi ini teradapat 2 tabel, tabel pertama adalah tabel jenis nada yaitu database untuk menyimpan jenis nada apa yang akan tersimpan kedalam
database. Dan satu tabel lagi adalah tabel vektor. Dimana tabel vektor berguna untuk menyimpan data acuan yang akan digunakan untuk mencocokkan dengan data
uji.untuk lebih jelasnya, dapat dilihat pada gambar 3.5.
Universitas Sumatera Utara
35
Gambar 3.5 Database Aplikasi
3.5 Antarmuka Sistem
Interface antarmuka sistem diperlukan untuk mempermudah seorang user dalam menggunakan atau mengakses sebuah applikasi. Antarmuka sistem merupakan sebuah
alur komunikasi anatar user dengan sistem Dengan kata lain antarmuka sistem digunakan sebagai media antara user dan
komputer agar dapat berinteraksi satu sama lain. Sehingga user dapat lebih mudah mengerti dan menggunakan sistem tersebut.
Disini akan dijabarkan tentang rancangan halaman dan menu sistem yang akan dibuat. Berikut adalah gambar rancangan dasar antarmuka dari aplikasi :
1. Rancangan Halaman Awal Home Rancanngan awal berisi tombol input dari lagu yang ingin masukkan. Partitur
gambar jadi yang akan dihasilkan dari pengenalan suara. Terdapat juga tombol pelatihan untuk melatih data baru kedalam sistem.
Universitas Sumatera Utara
36
Universitas Sumatera Utara
37
3. Rancangan halaman pelatihan
Gambar 3.8 Rancangan Halaman Pelatihan
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan dijelaskan implementasi ekstraksi ciri MFCC dan metode LVQ pada sistem sesuai dengan perancangan sistem yang telah dijabarkan pada bab 3.
Kemudian dilakukannya pengujian pada sistem yang telah dibangun.
4.1 Implementasi Sistem
Implementasi sistem adalah prosedur yang dilakukan untuk menyelesaikan desain sistem yang telah dibuat untuk memenuhi syarat yang telah dirancang.. komponen
yang dibutuhkan dalam implementasi sistem adalah : a. Hardware Perangkat keras
Hardware adalah komponen komponen peralatan yang merupakan dasar dari sebuah
sistem komputer dalam menjalankan sistem. Adapun hardware yang digunakan:
1. Processor Intel Core 2 Duo `2.7 Ghz. 2. 2 GB RAM DDR3 Memory
3. Mouse 4. Keyboard
5. Hard Disk 320 GB
b. Software Perangkat Lunak Software adalah sekumpulan instruksi yang telah diprogram yang digunakan
untuk Memproses, mengendalikan dan mengkoordinasikan kerja pada elemen – elemen Perangkat keras komputer didalam sebuah sistem informasi. Adapun
software yang digunakan adalah : 1. Operating Sistem Windows 7 Ultimate
2. Xampp Versi 1.7.4
Universitas Sumatera Utara
3. MySql Versi 5.1.30
4.2 Skenario Uji Coba Sistem
Pada sub-bab skenario uji coba ini akan dilakukan pengujian berdasarkan 2 langkah penggunaan sistem. Langkah pertama adalah langkah pelatihan nada. Dan langkah
kedua adalah pengenalan nada.
4.2.1 tampilan awal applikasi
Gambar 4.1
Tampilan awal applikasi Pada tampilan awal tersebut. disediakan tiga buah tombol. yang pertama adalah
tombol pengenalan. Kedua adalah tombol menu admin. Yaitu menu untuk melakukan pelatihan. Yang ketiga adalah tombol tentang. Yang berisi perancang sistem
4.2.2 Tampilan menu pengenalan
Universitas Sumatera Utara
Gambar 4.2 Tampilan Menu Pengenalan
Pada menu pengenalan. Disediakan tombol untuk pilih file yang akan menginput file dengan filter format “.WAV”. apabila file telah diinput dan di pilih tombol kenali.
Maka not yang ada didalam file akan dikenali dan ditulis satu persatu di text box jenis not. Dan ada 2 opsi untuk menampilkan spectogram. Yaitu tamplan spectogram suara
input. Dan tampilan spectogram suara hasil potong . dimana suara hasil potong adalah langkah pemotongan suara yang akan diolah.
Universitas Sumatera Utara
Gambar 4.3 Tampilan menu pengenalan
Pada tampilan form diatas. Setelah nada diinput, maka tombol kenali ditekan. Dalam proses penampilan partiturnya. Jenis not akan ditampilkan satu persatu kedalam form.
Yang merupakan not dari musik yang diinput terlebih dahulu
Gambar 4.4 Tampilan Spectogram untuk suara input
Tampilan spectogram pada gambar 4.4 merupakan spectogram lagu secara keseluruhan. Spectogram merupakan visualisasi dari vector lagu yang kita input
tersebut. Dan pada gambar 4.5 merupakan spectogram lagu yang telah dipotong
Universitas Sumatera Utara
potong. Pada spectogram tersebut terlihat bagian dari lagu yang mana yang akan diproses untuk diambil ekstraksinya.
Gambar 4.5 Tampilan spectogram suara potong
Setelah dilakukan perkenalan. Maka hasil akhir dari pengenalan adalah gambar partitur . yang berisi not- not yang ada didalam file yang telah diinput terlebih dahulu.
Universitas Sumatera Utara
Gambar 4.6 Partitur hasil not
4.2.3 Tampilan menu admin Pada menu admin. Akan dilakukan pelatihan untuk menyimpan data acuan yang akan
digunakan pada pelatihan. Pada menu ini . file input berupa file format “.WAV” akan disimpan ke dalam database.
Universitas Sumatera Utara
Gambar 4.7 Tampilan menu admin
Pada menu admin terdapat 2 cara dalam menyimpan data acuan. Yang pertama adalah dengan menggunakan MFCC saja langsung diproses dan disimpan ke database.
Atapun menggunakan LVQ dalam memproses data acuannya. Hal ini dimaksudkan agar range data acuan lebar. Sehingga dapat menggenali suara not yang akan dikenal.
4.2.4 Tampilan Tentang Berisi nama dan nim dari pembuat applikasi
Gambar 4.8
Tampilan menu tentang
4.3 Pengujian Sistem
Universitas Sumatera Utara
Pengujian sistem penting dilakukan untuk menguhu dan memastikan bahwa hal – hal
yang terdapat didalam sistem telah sesuai dengan apa yang ingin diselesaikan. Metode pengujian yang diterapkan pada penelitian ini adalah metode ekstraksi ciri
Mel-Frequency Cepstrum Coefficient Dengan metode pencocokannya adalah metode Learning Vector Quantization
4.3.1 Rencana Pengujian Sistem Rancangan pengujian sistem yang akan diuji dengan metode pengujian black box
dapat dilihat pada tabel 4.1 berikut.
Tabel 4.1 Rencana Pengujian Sistem
No. Komponen sistem yang diuji
Butir Uji
1. Halaman Awal
Mencoba semua menu 2.
Halaman pengenalan Tombol Pilih data
Tombol mainkan data Tombol Tampilkan
Spectogram Tombol tampilkan
spectogram data uji
Tombol Buka Gambar
3. Halaman Pilih File
Memilih file yang akan diuji dengan format “.Wav’
4. Halaman Menu Admin
Tombol Pilih File Tabel Isi database
Tombol Pelatihan data dengan LVQ
No. Komponen sistem yang diuji
Butir Uji
Universitas Sumatera Utara
Tabel 4.1 Rencana Pengujian Sistem
4.3.2 Kasus dan hasil Pengujian Sistem 4.3.2.1 Pengujian Input data
1. Input data acuan Pada tabel 4.2 Berikut ini akan dilakukan pengujian sistem untuk input data acuan .
input data acuan dilakukan oleh admin yang akan mengisi data acuan.:
Tabel 4.2 Pengujian sistem input data acuan
No. Skenario Uji
Hasil yang diharapkan Hasil
pengujian 1.
Memilih tombol
data admin
Sistem akan mengalihkan user ke halaman form input data acuan
Berhasil
Tabel 4.2 Pengujian sistem input data acuan lanjutan
No. Skenario Uji
Hasil yang diharapkan Hasil
Pengujian
2. Memasukkan file input
data dengan memilih file data
Ketika tombol sikmpan ditekan. Maka sistem akan mengolah data
file audio yang telah dipilih terlebih dahulu.
Berhasil
2. Pengenalan Suara Pada tabel 4.4. Dilakukan pengujian sistem untuk pengenalan suara. Pengenalan suara
dilakukan oleh user. Data yang diinput berupa file musik yang akan dirubah menjadi partitur.
5. Halaman Tentang
Menampilan data pembuat skripsi
Universitas Sumatera Utara
Tabel 4.3 Pengujian Sistem Pengenalan Data
No. Skenario Uji
Hasil yang diharapkan Hasil
pengujian
1. Memilih tombol
pengenalan data Sistem akan mengailhkan user ke
halaman form pengenalan Berhasil
2. Memilih file data yang
akan diuji Sistem akan mengalihkan user ke
form pemilihan data yang akan dipilih
Berhasil
3. Memilih tombol kenali
Sistem akan mengenali data yang dipilih dan mencocokannya
dengan data acuan yang ada di database
Berhasil
4. Memilih tombol buka
gambar Berisi file partitur berupa images
Berhasil
4.3.3 Pengujian kinerja Sistem Pengujian kinerja sistem dilakukan dengan memasukkan sampel data sebanyak 4 buah
lagu. Beriut adalah sampel data pengujian data :
Tabel 4.4 Sampel data pengujian sistem
No. Nama lagu
Banyak not Format
1. Balonku.
57 .wav
2. Cicak
27 .wav
3. Kartini
23 .wav
4. Doremi
3 .wav
Pengujian sistem ini dilakukan agar penulis dapat mengetahui akurasi dari sistem yang
telah dibangun. Adapun langkah – langkahnya adalah :
1. User mengisi data acuang dari nada yang akan digunakan untuk melakukan pengenalan kedalam sistem
2. User memilih lagu apa yang akan dikenalkan ke dalam sistem 3. User mendapatkan images partitur dari lagu yang dikenalkan ke sistem.
Universitas Sumatera Utara
Pelatihan sistem dilakukan dengan memasukkan 20 data latih nada mayor dengan epoch 5, Learning Rate = 0.02 dan pengurangan Learning Rate = 0.00005. Semakin
rendah nilai Learning Rate maka persentase pengenalan makin lebih besar.
Pengujian yang dilakukan selanjutnya adalah pengujian terhadap data unuk mengetahui running time dari sistem yang telah dibuat. Tabel 4.6. Berikut adalah hasil
pengujian running time terhadap 4 data pada sampel data
Tabel 4.5 Processing time
No. Data
Running time Format
1. Balonku
20.38 s .wav
2. Cicak
9.46 s .wav
3. Kartini
8.53 s .wav
4. Doremi
2.3 .wav
Dengan menganalisa data dari tabel diatas. Maka dapat ditarik kesimpulan bahwa proses dalam sistem rata
– rata mengkonsumsi waktu sekitar 10 detik untuk mengolah data sebanyak 25 not.
Pengujian selanjutnya dilakukan pengujian untuk menguji ketepatan sistem apabila tempo nya berubah ubah.
Tabel 4.6 Pengujian Suara Musik
No. Nama Musik Banyak
Not Tempo
Jumlah Not
yang dikenal
Jumlah Not
yang benar
Persentase Kecocokan
1. Ibu
Kita Kartini
23 Lambat
23 23
100
2. Ibu Kita
Kartini 23
Sedang 22
3 13
3. Ibu Kita
Kartini 23
Cepat 16
2 12.5
Universitas Sumatera Utara
4. Cicak
– Cicak 27 Lambat
27 27
100 5.
Cicak – Cicak 27
Sedang 25
5 20
6. Cicak
– Cicak 27 Cepat
17 7.
Balonku 57
Lambat 57
57 100
8. Balonku
57 Sedang
52 3
5 9.
Balonku 57
Cepat 36
Total persentase kecocokan didapat dengan
pengenalan =
Persentase diatas didapat bahwa tempo yang lambat merupakan tempo yang paling pas untuk digunakan dalam aplikasi ini. Hal ini terjadi karena terjadi pemotongan
suara yang tidak tepat apabila tempo yang digunakan menjadi sedang dan cepat. Sehingga pengenalan data uji terhadap data latih menjadi tidak sinkron.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pembahasan implementasi dan pengujian yang telah dilakukan maka dapat diperoleh beberapa kesimpulan :
1. Semakin rendah nilai Learning Rate pada LVQ maka persentase pengenalan makin lebih besar.
2. Pemotongan nada untuk pemprosesan nada yang masi statis. Sehingga pemotongan nada yang berdekatan menjadi tidak tepat.
3. Nilai Learning Rate yang paling optimal pada masalah ini yaitu 0.02. 4. Penggunaan metode Mel-Frequency Cepstrum Coefficient MFCC dengan metode
pencocokan Learning Vector Quantization LVQ dapat diimplementasikan pada aplikasi pengenalan nada suara piano untuk dibuat menjadi partitur.
5. Dengan adanya aplikasi, maka user dapat membuat partitur tanpa harus menulisnya satu persatu apa nada yang dimainkan, sehingga lebih mudah dalam pembuatan
partitur.
Universitas Sumatera Utara
5.2 Saran
Sistem ini dirancang dan dibangun berdasarkan ide dan alur pemikiran dari penulis, maka untuk menghasilkan sistem yang lebih baik dan maksimal diperlukan saran dari pihak
manapun untuk melengkapi kekurangan yang ada pada sistem ini. Saran dari penulis yaitu:
1. Sistem ini dapat dikembangkan untuk menambah tempo pada lagu. Sehingga pemotongan nada suara pada data uji dapat dikenalkan berapa lama tempo yang lagi
dimainkan. 2. Sistem ini dapat dikembangkan untuk menambah data acuan yang lebih kompleks
lagi. Tidak Cuma nada dasar saja yang menjadi data acuan. 3. Sistem ini juga dapat dilakukan dengan metode dan algoritma pada sistem
rekomendasi lainnya, agar dapat mencapai hasil yang lebih maksimal.
Universitas Sumatera Utara
DAFTAR PUSTAKA
Andriana, A.D dan Irfan Maliki., 2011. Perangkat lunak untuk membuka applikasi pada komputer dengan perintah suara menggunakan metode Mel Frequency Coefficient
MFCC . Skripsi. Universitas Komputer indonesia. Ayunisa, Y. Dian,. 2012. Perancangan Sistem pengenalan suara untuk pengamanan dan
pemantauan fasilitas PLTA. Skripsi. Institut Teknologi Surabaya. Darmawan, Yudi. 2011. Speech recognition Menggunakan Metode Mel-Frequency Cepstrum
Coefficient dan Algoritma Dynamic Time Warping. Skripsi. Universitas Sumatera Utara.
DePorter B. et. Al. 2000. Quantum Teaching : Mempraktikkan Quantum Learning Di Ruang- Ruang Kelas. Kaifa. Bandung.
Gardner. H. 1999. Intelegence Reframed: Multiple Intelligence for 21
st
Century. New York: Basic Books.
Lestary, J. 2009. Aplikasi Pengenalan Ucapan Kata Bahasa Inggris Menggunakan Linear Predictive Coding LPC dan Hidden Markov Model HMM . Tesis. Universitas
Gunadharma. Manunggal, H.S. 2005. Perancangan Dan Pembuatan Perangkat Lunak Pengenalan Suara
Pembicara dengan Menggunakan Analisa MFCC Feature Extraction. Skripsi. Surabaya. Universitas Kristen Petra.
Masitah. 2008. Tingkat Pemrosesan Informasi pada mahasiswa yang memiliki kebiasaan mendengarkan musik rap. Skripsi. Universitas Sumatera Utara.
Munandar, S.C.U. 2009. Pengembangan Kreativitas Anak Berbakat. Jakarta: PT Rineka Cipta dan Dep. Pendidikan dan Kebudayaan.
Mustofa, Ali. 2007. Sistem Pengenalan Penutur Dengan Metode Mel-Frequency Wrapping. Skripsi. Universitas Brawijaya.
Universitas Sumatera Utara
Putra, Darma .2010. Pengolahan Citra Digital. Yogyakarta: Penerbit Andi. Resmawan, I Wayan Adi., 2009. Verifikasi Suara Menggunakan Metode MFCC dan DTW.
Skripsi, Universtias Udayana. Scripp, L. Subtonik, R.F. 2003. Direction for innovation in music education Online
http:www.google.comsearch?q=cache:9HDNgKFyGI4J:www.apa.orgediinovati on.pdf. 20 Maret 2007 .
Rabiner, L. and Hwang, J.B. 1993. Fundamental Of Speech Recognition. Prentice Hall : USA.
Rachman, S. 2006. Visualisasi Pengenalan Vokal Bahasa Indonesia Dengan Metode LPC- DTW. Skripsi. Semarang. Universitas Dipenogoro.
Rentfrow, P.J., Gosling, S.D. 2007. The Content and validity of stereotypes about fans of 14 music genres. Psychology of Music, 35, 306-326.
Ridwan, M.F. 2011. Klasifikasi Genre Musik Menggunakan Learning Vector Quantization LVQ.Skripsi. Institut Pertanian Bogor.
Sudjito, G,Y., Pandia, W.S.S., Tunjungsari, L.H. 2007. Perbedaan kemampuan Spasial pada Remaja yang Mendapat Pendidikan Musik Klasik dan Remaja Yang tidak.
Manasa, I1, 1-16. Taufani, M. Fijri,. 2011. Perbandingan Permodelan Wavelet dan MFCC sebagai Ekstraksi
Ciri pada pengenalan Fonem dengan Teknik Jaringan Syaraf Tiruan Sebagai Classifier. Tesis. Institut Pertanian Bogor.
Yuriandra. 2008. Permainan Olah ritme untuk mengembangkan musikalitas anak di ME Music School Bandung. Tesis, Institut Teknologi Bandung.
Wisnudisastra, E, dan Agus,B. 2010. Pengenalan Chord pada Alat Musik Gitar menggunakan CodeBook dengan Teknik Ekstraksi Ciri MFCC. Skripsi. Institut
Pertanian Bogor. Wilson,
R. S.
2003. WAVE
PCM Soundfile
Format Online
Https:ccna.standford.educourses422projectsWaveFormat 24 April 2014
Universitas Sumatera Utara
LAMPIRAN I LISTING PROGRAM
1. Modul MySql
Imports MySql.Data.MySqlClient Module ModuleMySql
Dim Strcon As String = server=localhost;user=root;database=piano;port=3306;password=;
Dim conn As MySqlConnection Sub hubungkan
Try conn = New MySqlConnectionStrcon
conn.Open Catch ex As Exception
MessageBox.ShowKoneksi Gagal : ex.Message End Try
End Sub Function lookupByVal strquery As String As DataTable
hubungkan Dim hasil As New DataTable
Dim cmd As MySqlCommand = New MySqlCommandstrquery, conn Dim rdr As MySqlDataReader = cmd.ExecuteReader
hasil.Loadrdr rdr.Close
conn.Close Return hasil
End Function Function queryByVal strquery As String As String
Try hubungkan
Dim hasil As New DataTable Dim cmd As MySqlCommand = New MySqlCommandstrquery, conn
conn.Close Catch ex As Exception
conn.Close Return Gagal : ex.Message
End Try Return Berhasil
End Function End Module
2. Modul MFCC