500 1000
1500 2000
2500 3000
3500 4000
4500 -1
-0.8 -0.6
-0.4 -0.2
0.2 0.4
0.6 0.8
1
Data Tercuplik
A m
pl itu
do
2.6.1. Normalisasi
Normalisasi merupakan suatu cara untuk mengatasi jarak antara sumber suara dengan mikrofon
. Pada perekaman atau pengambilan suara ini perlu adanya normalisasi
supaya amplitudo nada saat dimainkan dapat menjadi maksimal [12] .
Normalisasi amplitudo dilakukan dengan cara membagi semua nilai input dengan nilai maksimum dari
input sendiri, sehingga untuk semua sinyal masukan memiliki nilai maksimum yang sama
yaitu 1 satu.
Gambar 2.5. Sinyal terekam
Gambar 2.6. Hasil proses normalisasi dari gambar 2.5
2.6.2. Pemotongan Sinyal
Pemotongan sinyal merupakan proses yang berkaitan dengan ekstraksi ciri. Proses ini bertujuan untuk memotong beberapa bagian sinyal. Dalam proses perekaman,
pemotongan sering terjadi untuk bagian awal dan akhir sinyal. Pemotongan bagian awal dan akhir sinyal nada dimaksudkan untuk menghilangkan bagian yang tidak termasuk
bagian dari sinyal nada serta untuk mengurangi cacat sinyal akibat derau ruangan yang ikut terekam [13].
500 1000
1500 2000
2500 3000
3500 4000
4500 -0.2
-0.15 -0.1
-0.05 0.05
0.1 0.15
0.2
Data Tercuplik
Am pl
itu do
Gambar 2.7. Hasil pemotongan awal sinyal Gambar 2.6
Gambar 2.8. Hasil Pemotongan sinyal untuk daerah transisi dari gambar 2.7
2.6.3. Frame Blocking
Frame blocking merupakan pembagian sinyal suara menjadi beberapa frame dan
satu frame terdiri dari beberapa data sample[14]. Pengambilan sample tersebut tergantung dari tiap detik suara yang akan disample dan berapa besar frekuensi sampling. Gambar 2.8
menunjukkan contoh frame blocking, keseluruhan frame dibagi menjadi 5 M frame. Setiap M memiliki jumlah data sama yaitu 2 data, dengan N adalah Nyquist
Gambar 2.9. Hasil Frame Blocking dari gambar 2.8
500 1000
1500 2000
2500 3000
3500 4000
-1 -0.8
-0.6 -0.4
-0.2 0.2
0.4 0.6
0.8 1
Data Tercuplik
A m
pi tu
do
500 1000
1500 2000
2500 3000
-0.8 -0.6
-0.4 -0.2
0.2 0.4
0.6
Data Tercuplik A
m p
lit u
d o
20 40
60 80
100 120
140 -0.4
-0.3 -0.2
-0.1 0.1
0.2 0.3
0.4
Data Tercuplik Frame
A m
p li
tu d
o
Fungsi frame blocking yaitu untuk mereduksi data yang akan diproses dalam sistem pengenalan.
Frame blocking juga dapat mempercepat proses perhitungan pada FFT Fast
Fourier Transform radix 2 dengan jumlah data pada setiap frame memiliki 2
n
data sampel yang di ambil dari keseluruhan data sampel.
2.6.4. Normalisasi 2
Normalisasi 2 merupakan suatu cara untuk mengatasi amplitudo sinyal pada hasil dari frame blocking yang telah di potong pada bagian transisi dimaksimal. Normalisasi 2
amplitudo dilakukan dengan cara membagi semua nilai input dengan nilai maksimum dari input
sendiri, sehingga untuk semua sinyal masukan memiliki nilai maksimum yang sama yaitu 1 satu.
Gambar 2.10. Hasi Proses Normalisasi 2 dari gambar 2.9
2.6.5. Windowing Hamming
Pengenalan nada pada alat musik saksofon alto ini menggunakan windowing Hamming. Windowing berfungsi untuk menghilangkan discontinuitas. Terjadinya
discontinuitas diakibatkan oleh proses Frame Blocking atau Framing [15]. Untuk
mendapatkan hasil yang maksimal pada proses FFT, maka sample suara yang telah dibagi menjadi beberapa frame perlu di jadikan suara continue dengan cara mengkalikan tiap
frame windowing tertentu. Pada pengenalan nada alat musik saksofon alto windowing yang
digunakan adalah windowing Hamming. Berikut ini merupakan persamaan dari windowing Hamming :
2.2 Dimana : wn = windowing
N = jumlah data dari sinyal
20 40
60 80
100 120
140 -1
-0.5 0.5
1
Data Tercuplik A
m p
lit u
d o
n = waktu diskrit ke-
Gambar 2.11 Hasil Proses Windowing Hamming dari gambar 2.10
2.7. Discerete Fourier Transform DFT
Discrete Fourier Transform DFT adalah transformasi yang mengubah domain waktu ke
domain frekuensi. Rumus DFT dapat didefinisikan sebagai[17]:
2.3
dengan: N = jumlah sempel. = runtun masukan time domain.
Xk = runtun keluaran frekuensi domain.
2.8. Fast Fourier Transform FFT
Fast Fourrier Transform FFT merupakan jenis dari ekstraksi ciri dan
pengembangan dari Discrete Fourrier Transform DFT. DFT merupakan metode transformasi matematis untuk sinyal waktu diskrit, sementara FFT adalah algoritma yang
digunakan untuk transformasi FFT. Persamaan matematis DFT diuraikan pada persamaan 2.4.
∑ 2.4
20 40
60 80
100 120
140 -1
-0.5 0.5
1
Waktu
A m
p li
tu d
o
dengan , n=0, 1,…, N-1, dan k = 0, 1, 2, …, N-1
X n adalah keluaran dalam domain frekuensi, x adalah masukkan dalam domain waktu
dan N adalah runtun masukkan diskret. e = natural number
2.7182818284… k =
indeks dalam domain frekuensi 0, 1, 2, …, N-1
n = indeks dalam domain waktu 0,1,2, …, N-1
j = konstanta fourrier
Prinsip dasar FFT adalah menguraikan penghitungan N-titik DFT menjadi penghitungan DFT dengan ukuran yang lebih kecil dan memanfaatkan periodisitas dan
simetri dari bilangan kompleks [18]
Ada dua jenis algoritma FFT yaitu algoritma Fast Fourier Transform Decimation In Time FFT DIT
dan algoritma Fast Fourier Transform Decimation In Frekuensi FFT DIF.
Pada penulisan ini, algoritma FFT yang digunakan adalah radiks dua dengan metode decimation in time
. Pada DIT, masukan disusundikelompokkan menjadi kelompok ganjil dan kelompok genap. Runtun bernomor genap adalah x0, x2, x4…..xN-2 dan runtun
berno mor ganjul adalah x1, x3, x5…xN-1. Kedua runtun berisi N2-titik. Runtun
genap ditandakan x2k dengan x=0 sampai k=N2-1, sedangkan runtun ganjil menjadi x2k-1. Persamaan 2.3 dapat dinyatakan sebagai penjumlahan untuk n ganjil dan genap.
∑ ∑
2.5 Selanjutnya dengan menggantikan
= maka persamaan 2.5 menjadi
∑ ∑
2.6 n = 0, 1, 2, …,N-1
Algoritma decimation in time mengharuskan masukkan disusun ulang sedemikian rupa sehingga hasil perhitungan akhir mempunyai urutan yang sesuai. Tabel 2.2
memperlihatkan penyusunan ulang untuk tujuan tersebut[19].
