Jaringan Saraf Tiruan JST Multi Layer Perceptron MLP

Gambar 15. Arsitektur jaringan propagasi balik Kusumadewi 2004 Beberapa fungsi pengaktifan yang sering digunakan dalam JST propagasi balik adalah sebagai berikut : 1 Fungsi sigmoid biner Gambar 16, yaitu fungsi biner yang memiliki rentang 0 sd 1 dengan fungsi sebagai berikut : exp 1 1 x x f    21 fx x 1 Gambar 16. Sigmoid biner pada selang [ 0,1] 2 Fungsi sigmoid bipolar Gambar 17, yaitu fungsi yang memiliki rentang -1 sd 1 dengan fungsi sebagai berikut : 1 exp 1 2     x x f 22 fx x 1 -1 Gambar 17. Sigmoid bipolar pada selang [-1,1] 3 Fungsi linier, yaitu fungsi yang memiliki output yang sama dengan nilai inputnya, dengan fungsi sebagai berikut : y = f x = x 23 dan turunan dari fungsinya adalah : f’ x = 1 24 Pada JST propagasi balik proses pembelajaran bersifat iterative berulang dan dirancang untuk meminimalkan mean square error MSE antara output yang dihasilkan dengan output yang diinginkan target. Langkah-langkah algoritma pembelajaran JST propagasi balik yang diformulasikan oleh Rumelhart et al. 1986 secara singkat adalah sebagai berikut : a. Inisialisasi bobot, dapat dilakukan secara acak atau melalui metode Nguyen Widrow b. Perhitungan nilai aktivasi, tiap neuron menghitung nilai aktivasi dari input yang diterimanya. Pada lapisan input nilai aktivasi adalah fungsi identitas. Pada lapisan tersembunyi dan output nilai aktivasi dihitung melalui fungsi aktivasi c. Penyesuaian bobot, penyesuaian bobot dipengaruhi oleh besarnya nilai kesalahan error antara target output dan nilai output jaringan saat ini. d. Iterasi akan terus dilakukan sampai kriteria error tertentu dipenuhi. Untuk mengimplementasikan algoritma di atas pembelajaran, JST harus memiliki suatu set data pembelajaran. Data pembelajaran harus mencakup seluruh jenis pola yang ingin dikenal agar nantinya dapat mengenali seluruh pola yang ada.

2.11 Pengukuran Kinerja Sistem

Kinerja sistem diukur dengan menggunakan parameter akurasi yaitu presentase pengenalan sistem dalam memprediksi dataset pengujian yang diberikan. 25

2.12 Review Riset Terdahulu

Penelitian pada bidang klasifikasi musik yang paling sering direferensikan adalah Tzanetakis dan Cook 2000, 2002. Penelitian mereka menghasilkan sebuah framework analisa audio MARSYAS, yang juga sering dipakai oleh peneliti-peneliti lainnya sebagai aplikasi bantu untuk pengekstraksi ciri. Lampropoulos et al. 2005 pada penelitiannya melakukan pemisahan separasi ciri sinyal dari sumber instrumen musik sebelum diklasifikasikan menggunakan algoritma Convolutive Sparse Coding CSC dan menggunakan JST sebagai pengklasifikasinya. Untuk ekstraksi ciri, mereka menggunakan aplikasi bantu MARSYAS versi 0.1 dan menghasilkan vektor ciri feature vector berdimensi 30. Costa et al. 2004 menggunakan pendekatan kombinasi pengklasifikasi. Ekstraksi ciri diperoleh dari tiga segmen pada musik klip yaitu awal, tengah, dan akhir lagu. Dari setiap segmen tersebut, dihasilkan vektor ciri feature vector berdimensi 15. Penelitian tersebut juga menggunakan JST sebagai pengklasifikasinya. Adapun pengambilan keputusan akhir dari klasifikasi menggunakan aturan majority voting. Adapun pada penelitian Norowi et al. 2005 digunakan ciri yang berhubungan dengan timbral, ritme, dan pitch dan pengklasifikasi J48 dan OneR. J48 dan OneR adalah pengklasifikasi yang terdapat pada sistem pembelajaran mesin WEKA Waikato Environment for Knowledge Analysis. Sedangkan klasifikasi genre musik pada penelitian mereka adalah genre-genre musik barat dan musik tradisional Malaysia. Mereka juga menggunakan MARSYAS versi 0.1 sebagai aplikasi bantu pengekstraksi ciri.