Pengenalan Chord pada alat musik gitar Proses Pelatihan Modul MySql

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