pengenalan yang baik Lampiran L23 . Pengujian ini menggunakan 20 kali percobaan
setiap nadanya dan dari 20 percobaaan setiap nada tersebut akan mendapatkan nilai maksimal. Setelah mendapatkan nilai minimal dari 20 kali percobaan, maka dicari nilai
maksimal dari percobaan sebanyak 20 kali tersebut untuk setiap nada lampiran L21. Nilai maksimal tersebut digunakna untuk batas nilai Thresholding.
Table 4.1 hasil nilai Thresholding
Thresholding Nilai Threshodling
Nada
Th1 1,8731
Do
Th2 1,9747
Re
Th3 1,8721
Mi
Th4 1,8591
Sol
Th5 2,6458
La
Th6 1,8569
Si
Th7 1,2238
DoTinggi
Pada table di atas menunjukan nilai Threshodling Th yang digunakan untuk batas atas untuk setiap nada. Jika melebihi batas atas tersebut, maka sistem tidak akan mengenali
nada- nada yang lain selain nada yang di inginkan, dan akan terdeteksi eror atau “Tidak
Dikenali.
4.2.2. Pengujian Parameter Pengenalan Nada
Pada pengujian ini bertujuan untuk menguji seberapa besar tingkat pengenalan nada dari setiap parameter. Parameter ini antara lain koefisien DCT, serta windowing koefisien.
Pengujian program pengenalna alat music cetik ini mengguanakan 2 cara, yaitu pengujian secara tidak
real-time, dan pengujian secara real-time. Untuk pengujian secara real-time dibagi menjadi 2 cara,
real-time tanpa Thresholding, dan real-time menggunakan Thresholding.
4.2.2.1. Pengujian secara tidak Real-Time
Pengujian ini bertujuan untuk mencari nilai atau persentase tingkat pengenalan tiap nada alat musik cetik, tanpa menggunakan program pengenalan nada cetik. Pengujian
secara tidak real
- time ini menggunakan program tersendiri lihat lampiran L18.
Untuk pengujian menggunakan nada uji sebanyak 70 kali, setiap nada sebanyak 10 data yang di peroleh dari perekaman sebelumnya. Nada uji digunakan sebagai nada
masukan. Pengujian secara tidak real-time diperoleh data tingkat pengenalan nada dari
pengujian yang dilakukan. Hasil pengujian secara tidak real-tame dapat dilihat pada
lampiran L22 Pada lampiran L22 tingkat pengenalan nada yang paling baik dapat terlihat pada
panjang frameblocking 64, dan windowing koefisien DCT 80. Terlihat pada lampiran
bahwa nilai n yang semakin besar, maka naiknya tingkat pengenalan akan semakin baik.
Penyebab naiknya tingkat pengenalan dapat dilihat pada gambar 4.6
a PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
b
c PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
d
Gambar 4.6 Pengaruh panjang frameblocking, n¸terhadap hasil pengenalan, p=30,
an=32, b n=64, c n=128, d n=256 biru= DoTinggi, hijau=Si
Pada gambar 4.6 dapat dilihat bahwa, nilai n yang semakin besar, maka semakin
banyak jumlah koefisien DCT yang digunakan untuk membedakan nada satu dengan nada yang lain. Oleh karena itu makin banyak jumlah koefisien, makin mudah untuk
membedakan, sehingga makin naik tingkat pengenalan nada antara nada satu dengan nada yang lainnya.
a
b PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
c
d PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
e Gambar 4.7 Pengaruh windowing koefisien terhadap hasil pengenalan, n= 32,
a p= 20, bp= 40, cp= 60, dp= 80, ep= 100
biru=DoTinggi, hijau=Si
Pada gambar 4.7 terlihat bahwa semakin besar nilai windowing koefisien p maka
koefisien DCT makin banyak yang digunakna untuk membedakan nada satu dengan nada yang lainnya. Dengan kata lain akan makin mudah di membedakan nada satu dengan nada
yang lain, maka akan menyebabkan makin naik tingkat pengenalan nada. Pada lampiran L22 dapat di lihat bahwa untuk mendapatkan tingkat pengenalan
100, maka dibutuhkan frameblocking 64 titik, dan windowing koefisien sebesar 80. Di
bandingkan percobaan yang dilakukan oleh Yogi Isworo [3], yang memerlukan 512 ekstraksi ciri, maka pada penelitian ini memperlihatkan pengaruh jumlah koefisien
ekstraksi ciri yang signifikan yaitu menggunakan 51 ekstraksi ciri. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4.2.2.2. Pengujian secara Real- Time