Pada Tabel 2 dapat dilihat beberapa contoh penelitian klasifikasi genre musik dengan beragam ciri dan pengklasifikasinya.
Tabel 2. Beberapa contoh penelitian klasifikasi genre musik
Peneliti Ciri
Pengklasifikasi
Lampropoulos et al. 2005
Ritme, STFT, MFCC dan pitch Nearest-Neighbor dan
MLP Costa et al. 2004
Spectral centroid, spectral rolloff, spectral flux, time domain zero-
crossing, low energy dan beat Nearest-Neighbor dan
MLP Norowi et al.
2005 Spectral centroid, spectral rolloff,
spectral flux, time domain zero- crossing, MFCC, beat dan pitch
OneR dan J48 WEKA Ahrendt 2006
MFCC, LPC, DMFCC, DLPC, ZCR, STE, ASE, ASC, ASS dan SFM
Gaussian, GMM, Linear regression, dan GLM
Andersson 2004 ZCR, STE, RMS, HFVR,LFVR,
spectrum centroid, spectrum spread, delta spectrum, spectral rolloff dan
MPEG-7 audio descriptors GMM, HMM, dan
Nearest-Neighbor
III METODE PENELITIAN
3.1 Kerangka Pemikiran
Kerangka pemikiran dalam membangun model sistem pada penelitian ini dapat digambarkan dalam suatu diagram alir seperti pada Gambar 18.
Gambar 18. Diagram alir penelitian pengembangan model sistem
Identifikasi Masalah Mulai
Studi Pustaka Pengumpulan Data
Ekstraksi Ciri Data Model
Dokumentasi VFI dan JST
Identifikasi Evaluasi
Selesai Data Training
Data Testing
Dengan demikian diharapkan dapat diperoleh gambaran yang lengkap dan menyeluruh tentang tahap-tahap penelitian yang akan dilaksanakan
serta keterkaitan antara satu tahap dengan tahap berikutnya. Berikut ini akan dijelaskan beberapa tahap yang ada di dalam diagram alir tersebut.
3.1.1 Identifikasi Masalah
Identifikasi masalah merupakan tahap awal dari penyusunan penelitian ini. Penelitian mengenai klasifikasi genre musik telah banyak
dilakukan menggunakan berbagai macam metode. Penggunaan metode VFI merupakan metode yang belum pernah dilakukan dalam mengklasifikasi
genre musik. Oleh karena itu, penelitian ini dilakukan untuk melihat bagaimana akurasi metode VFI dalam mengklasifikasi genre musik dan
membandingkannya dengan metode yang sudah banyak dipakai oleh penelitian-penelitian sebelumnya yaitu Jaringan Saraf Tiruan JST.
3.1.2 Studi Pustaka
Studi pustaka yang dilakukan meliputi pengetahuan musik dan genrenya, praproses data, ekstraksi ciri feature extraction, Voting Feature
Intervals VFI, Jaringan Saraf Tiruan JST, pemprograman dengan perangkat lunak MATLAB serta metode pendukung lainnya.
3.1.3 Pengumpulan Data
Setiap data berkas musik yang digunakan pada penelitian ini diperoleh dari data-set pada penelitian Tzanetakis dan Cook 2000 yang diunduh
melalui http:opihi.cs.uvic.casoundgenres.tar.gz. Jumlah data yang akan digunakan pada penelitian ini adalah 80 berkas musik berformat au mono
16-bit yang memiliki frekuensi sampling sebesar 22,05 kHz dengan durasi 30 detik setiap berkasnya.
Setiap genre akan memiliki 20 berkas musik yang dapat dijadikan sebagai data training 15 berkas dan testing 5 berkas. Genre musik yang
dipakai untuk penelitian ini adalah genre musik klasik, disko, metal dan reggae.
3.1.4 Ekstraksi Ciri
Prototipe sistem yang telah dikembangkan menggunakan ciri yang diajukan oleh Tzanetakis dan Cook 2000, 2002 dan yang telah digunakan
oleh peneliti lainnya Lampropus et al. 2005, Foote 1999, M. Welsh et al. 1999. Ciri yang digunakan adalah MFCC hingga 20 koefisien.
Dari setiap ciri tersebut, mean rataan dihitung untuk membentuk vektor ciri. Hal ini adalah prinsip dasar dari pemprosesan window tekstur
yang diperkenalkan oleh Tzanetakis dan Cook 2002. Mean dapat diformulasikan sebagai berikut :
n i
i
x n
x
1
1 26
di mana n adalah jumlah sampel. Untuk metode JST, setelah ciri diekstrak maka dilakukan normalisasi menggunakan metode distribusi normal
kumulatif.
3.1.5 Pengembangan Model VFI dan JST
Dalam penelitian ini metode VFI yang digunakan adalah metode VFI5. Pengembangan model JST menggunakan perangkat lunak MATLAB
versi 7.8.0.
3.1.6 Pembuatan Keputusan
Setelah setiap berkas musik sudah diekstrak dan diklasifikasi, maka prototipe sistem akan melakukan prediksi. Prediksi diperoleh berdasarkan
proses pembelajaran algoritma VFI dan JST dalam mengenali sejumlah pola yang diberikan. Nilai prediksi yang terbesar dari seluruh genre merupakan
prediksi genre pada sistem.
3.2 Alat dan Bahan
Alat-alat bantu yang digunakan dalam penelitian ini adalah sebagai berikut :
1. Komputer desktop dengan spesifikasi dual processor 3,3 GHz, memori 4 GB, dan sebuah hard disk dengan kapasitas 250 GB.
2. Perangkat lunak MATLAB versi 7.8.0. 3. Perangkat lunak Microsoft Excel dan Word 2007.
3.3 Waktu dan Tempat Penelitian
Penelitian dilaksanakan mulai Desember 2010 hingga Mei 2011 bertempat di Laboratorium Pascasarjana Departemen Ilmu Komputer
FMIPA-IPB.
