APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI

  APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi M. ARDIANSYAH 091402062 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014

PERSETUJUAN

  Judul : APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO

  Kategori : SKRIPSI Nama : MUHAMMAD ARDIANSYAH Nomor Induk Mahasiswa : 091402062 Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI

  INFORMASI Diluluskan di Medan, 23 Agustus 2014

  Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Drs. Marihat Situmorang, M.Kom Romi Fadillah Rahmat,B.Comp.Sc.,M.Sc.

  NIP. 19631214 198903 1 001 NIP. 19860303 201012 1 004 Diketahui/Disetujui oleh Program Studi Teknologi Informasi Ketua, M. Anggia Muchtar, ST.,MM.IT NIP. 19800110 200801 1 010

  

PERNYATAAN

  APLIKASI PENGENALAN SUARA DIGITAL NADA DASAR PIANO Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

  Medan, 23 Agustus 2014 Muhammad Ardiansyah 091402062

  

PENGHARGAAN

  Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pengasih dan Maha Penyayang, dengan segala rahmat dan karuniaNya lah penulis bisa menyelesaikan penyusunan tugas akhir ini. Proses penyusunan skripsi ini tidak lepas dari dukungan dan bantuan dari pihak lain. Oleh karena itu penulis mengucapkan terima kasih banyak kepada : 1.

  Keluarga penulis, terutama kedua orang tua penulis. Ibunda, Adriaty Handayani dan Ayahanda, R. Epidaryanto yang selalu sabar dalam mendidik dan membesarkan penulis. Adik penulis Ananda Listiarini dan Kakak penulis Annisa Yunita yang selalu memberikan semangat kepada penulis.

  2. Bapak Romi Fadillah Rahmat,B.Comp.Sc.,M.Sc. dan Bapak Drs. Marihat Situmorang, M.Kom selaku pembimbing yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis.

  3. Bapak dan Ibu dosen pembanding.

  4. Ketua dan Sekretaris Program Studi Teknologi Informasi Bapak M. Anggia Muchtar, ST.,MM.IT. dan Bapak M. Fadly Syahputra, B.Sc.,M.Sc.IT.

  5. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Fakultas Ilmu Komputer dan Teknologi Informasi.

  6. Kepada Melinda Agustien yang selalu memberikan motivasi, memberikan nasihat agar penulis dapat menyelesaikan penulisan tugas akhir ini dengan baik.

  7. Kepada Nurul Khadijah, Ade Maulana yang selalu membantu penulis sehingga dapat menyelesaikan tugas akhir dengan baik.

  8. Seluruh sahabat terbaik penulis yang selalu memberikan dukungan, Ade Tambunan, Ammar Adianshar, Ridzuan Ikram Fadjri, Julia Annisa, Yunisya Aulia Putri, Reza Elfandra, Ibnu setiawan, Raisha Ariani, Fanny sari wulandari, Yogi, Bora, Sheila, Septi, Aat, Ijal,Uti serta seluruh angkatan 09, serta teman-teman seluruh angkatan mahasiswa USU lainnya yang tidak dapat penulis sebutkan satu persatu, Semoga Allah SWT membalas kebaikan kalian dengan nikmat yang berlimpah.

  Akhir kata, penulis memohon maaf bila dalam penulisan tugas akhir ini terdapat beberapa kesalahan, oleh karena itu penulis sangat mengharapkan adanya masukan - masukan yang membangun dan semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang memerlukannya.

  

ABSTRAK

  Dalam bermain musik khususnya bermain piano, seorang pianist membutuhkan partitur dalam panduan untuk bermain musik. Partitur merupakan tulisan yang digunakan seorang pianist untuk menyimpan atau menyampaikan sebuah lagu. Banyak pianist yang tidak mempunyai keahlian dalam pembuatan partitur, khusunya dalam pembuatan musik yang spontan. Karena itu, diperlukan sebuah aplikasi yang dapat membantu dalam pembuatan partitur dari suara musik piano. Metode ekstraksi

  

Mel-Frequency Cepstral Coefficient dan metode pencocokan Learning Vector

Quantization digunakan untuk membuat aplikasi tersebut. Metode MFCC digunakan

  untuk mengambil Vector

• – vector yang berada didalam sebuah lagu. Dan metode LVQ

  digunakan untuk mencocokkan data uji dengan data acuan yang telah disimpan terlebih dahulu. Output yang dihasilan dari sistem ini berupa partitur musik dari lagu yang telah diinput kedalam sistem. Kata kunci-pembuatan partitur, metode Mel-Frequency Cepstral Coefficient, Learning Vector Quantization.

  VOICE RECOGNITION APPLICATIONS BASIC DIGITAL PIANO TONE

  

ABSTRACT

  In playing music especially playing the piano, a pianist needs score to play music in the guide. Scores are writing who used by a pianist to store or deliver a song. Many pianists do not have expertise in the making of sheet music, especially in spontaneous music-making. Therefore, we need an application that can help in the making of the music scores. Methods for extracting is Mel - Frequency cepstral coefficient and Learning Vector Quantization matching method is used to create such applications. MFCC method is used to retrieve Vectors which resides in a song. And LVQ method is used to match test data with reference data that has been stored in advance. output of this system in the form of sheet music of a song that has been inputed into the system.

  Keywords - making of musical scores, methods Mel - Frequency cepstral coefficient, Learning Vector Quantization.

  Persetujuan i

  Pernyataan ii

  Penghargaan iii

  Abstrak iv

  Abstract v

  Daftar isi vi

  Daftar tabel vii

  Daftar gambar viii

  Bab 1 Pendahuluan

  1

  1.1 Latar Belakang

  1

  1.2 Rumusan Masalah

  3

  1.3 Batasan Masalah

  3

  1.4 Tujuan Penelitian

  3

  1.5 Manfaat Penelitian

  3

  1.6 Metodologi Penelitian

  3

  1.7 Sistematika Penulisan

  4 Bab 2 Landasan Teori

  5

  2.1 Latar Belakang Pengenalan Ucapan

  6

  2.2 Suara Musik

  7

  2.3 Pengolahan Audio

  7

  2.4 Mel-Frequency Cepstrum Coefficient ( MFCC )

  9

  2.4.1 DC

  9

• – Removal

  2.4.2 Pre

  10

• – Emphasize Filtering

  2.4.3 Frame Blocking

  11

  2.4.4 Windowing

  12

  2.4.5 Analisis Fourier

  13

  a. Discrete Fourier Transform ( DFT )

  15

  2.4.6 Fast Fourier Transform

  16

  2.4.7 Mel-Frequency Warping

  18

  2.4.8 DCT

  19

  2.5 Jaringan Syaraf Tiruan

  19

  2.5.1 Learning Vector Quantization ( LVQ )

  20

  2.6 Penelitian Terdahulu

  21 Bab 3 Analisis dan Perancangan

  23

  3.1 Analisis Sinyal Suara

  24

  3.2 Analisis Ekstraksi Fitur Suara Menggunakan MFCC

  24

  3.2.1 Input Suara

  24

  3.2.2 DC- Removal

  25

  3.2.3 Pre-Emphasize

  26

  3.2.4 Frame Blocking

  27

  3.2.5 Windowing

  28

  3.2.6 Analisis Fourier

  28

  3.2.7 Filter Bank

  29

  3.2.8 Discrete Cosine Transform ( DCT )

  29

  3.3 Pencocokan dengan Metode Learning Vector Quantization

  30

  3.3.2 Algoritma LVQ

  30

  3.4 Database

  34

  3.5 Antarmuka Sistem

  35 Bab 4 Impelemntasi dan Pengujian Sistem

  38

  4.1 Implementasi Sistem

  39

  4.2 Skenario Uji Coba Sistem

  39 Bab 5 Kesimpulan dan Saran

  50

  5.1 Kesimpulan

  50

  5.2 Saran

  52 Daftar Pustaka

  52

  

DAFTAR TABEL

  Hal

Tabel 2.1. Fungsi

  13 Tabel 2. 2 Penelitian Terdahulu

• – fungsi window dan Formulanya

  21 Tabel 4.1 Rencana Pengujian Sistem

  45 Tabel 4.2 Pengujian Sistem ( input data acuan )

  46 Tabel 4.3 Pengujian Sistem ( pengenalan data )

  46 Tabel 4.4 Sampe data pengujian sistem

  47 Tabel 4.5 Processing time

  48 Tabel 4.6 Pengujian Suara Musik

  48

  

DAFTAR GAMBAR

  17 Gambar 2.10 Arsitektur Jaringan LVQ

  36 Gambar 3.8 Rancangan Halaman Pelatihan

  36 Gambar 3.7 Rancangan Halaman Pengenalan

  35 Gambar 3.6 Rancangan Halaman Awal

  27 Gambar 3.5 Database Aplikasi

  26 Gambar 3.4 Flowchart Frame Blocking

  25 Gambar 3.3 Flowchart Pre-Emphasize Filter

  23 Gambar 3.2 Flowchart DC-Removal

  20 Gambar 3.1Arsitektur Umum Aplikasi

  17 Gambar 2.9 Pembagian Sinyal Suara Menjadi Dua Kelompok

  Hal

  16 Gambar 2.8 Grafik Perbandingan Kecepatan Direct Calculation Dengan Algoritma FFT

  15 Gambar 2.7 Domain Waktu Menjadi Domain Frekuensi

  14 Gambar 2.6 Tiga Gelombang Sinusoidal Dan Superposisinya

  11 Gambar 2.5 Contoh Dari Spectogram

  10 Gambar 2.4 Contoh Frame Blocking

  8 Gambar 2.3 Contoh Dari Pre- Emphasize Pada Sebuah Frame

  7 Gambar 2.2 Struktur WAV

Gambar 2.1 Tahapan dalam Speech Recognition

  37

Gambar 4.1 Tampilan Awal Aplikasi

  40 Gambar 4.2 Tampilan Menu Pengenalan

  40 Gambar 4.3 Tampilan Menu Pengenalan

  41 Gambar 4.4 Tampilan Spectogram Untuk Suara Input

  41 Gambar 4.5 Tampilan Spectogram Suara Potong

  42 Gambar 4.6 Partitur Hasil

  43 Gambar 4.7 Tampilan Menu Admin

  44 Gambar 4.8 Tampilan Menu Tentang

  44