PENGENALAN NADA PADA FILE AUDIO BERINSTR
Tugas Akhir - 2008
PENGENALAN NADA PADA FILE AUDIO BERINSTRUMEN PIANO
MENGGUNAKAN REPRESENTASI CHROMA DAN HIDDEN MARKOV MODEL
Andri Nur Rahmadi¹, Fazmah Arief Yulianto², Tjokorda Agung Budi Wirayuda³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Nada adalah bunyi yang beraturan. Sederetan nada yang terhimpun jadi satu dengan harmonis
akan menjadi sebuah musik. Dalam penulisannya, nada dilambangkan dengan not atau notasi.
Penerjemahan nada menjadi not membutuhkan pendengaran yang bagus dan pengetahuan
tentang nada. Pendengaran manusia mampu membedakan tiap-tiap nada, tetapi untuk
merepresentasikan nada yang didengarkan tersebut menjadi sebuah not tidak mudah. Melihat
kondisi tersebut, dibutuhkan suatu sarana yang dapat membaca nada-nada pada sebuah lagu,
kemudian menerjemahkannya menjadi sederetan notasi lagu secara otomatis.
Hidden Markov Model (HMM) adalah sebuah metode yang sudah banyak digunakan pada speech
recognition. HMM merupakan model statistik dari sebuah sistem yang diasumsikan sebuah
Markov Process dengan parameter yang tidak diketahui (hidden). Program ini dibuat untuk
menerapkan metode HMM untuk mengenali nada pada file musik yang terlebih dahulu
diekstraksi fitur cirinya. Representasi fitur ciri yang dipakai dalam program ini adalah
representasi chroma. Dengan fitur chroma, sebuah nada dapat direpresentasikan ke dalam fitur
vektor yang singkat.
Melalui perangkat lunak ini diharapkan dapat membantu pemakai dalam memainkan musik yang
tidak mempunyai partitur lagu. Selain itu perangkat lunak ini memberikan output nada dalam
bentuk notasi huruf, sehingga pemakai tidak akan mengalami banyak kesulitan dalam membaca
notasi nada tersebut.
Kata Kunci : Representasi Chroma, Hidden Markov Model, Nada, Notasi.
Abstract
Tone is an uniformed sounds. Sequence of tones which are arranged harmonically into one is
called a music. Tones are symbolized by note or notation. To transcript a tone into a notation
needs a good hearing and knowledge of music. The human ear are able to difference any notation
but the process to transcript a tone into a note is not easy. Therefore, it needs a medium which
could read tones and transcript them into notes automatically.
Hidden Markov Model (HMM) is a method which already used in speech recognition. HMM is a
statistical method from a system which assumed as a Markov Process with hidden parameters.
This program was made to apply HMM method in recognizing tones. This program used chromabased representation as the featured vector. Using chroma, a tone could be represented into a
shorter feature.
This software expected to help user playing music without musical sheet. Thus, this software
gives alphabetic notation as output of tone, so the user could read the notes easily.
Keywords : Key words: Chroma-based Representation, Hidden Markov Model, Tone, Notation.
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
1. Pendahuluan
1.1
Latar belakang
Musik adalah sebuah karya seni yang indah. Dari zaman ke zaman musik
sudah menjadi bagian dari kehidupan manusia yang susah untuk dipisahkan.
Terkadang disamping mendengarkan musik, orang juga ingin memainkan lagu
yang ada di musik tersebut. Namun, pada kenyataannya tidak semua orang bisa
menerjemahkan not apa saja yang dimainkan dalam sebuah musik yang
didengarkan. Dibutuhkan berjam-jam usaha ekstra keras untuk menerjemahkan
sebuah lagu menjadi lembaran-lembaran partitur not.
Nada adalah bunyi yang beraturan. Sederetan nada yang terhimpun jadi
satu dengan harmonis akan menjadi sebuah musik. Nada memiliki tinggi nada dan
frekuensi tertentu yang khas dan berbeda satu sama lain. Dalam penulisan nada
pada sebuah lagu, nada dilambangkan dengan not atau notasi. Penerjemahan nada
menjadi not membutuhkan pendengaran yang bagus dan pengetahuan tentang
nada. Pendengaran manusia mampu membedakan tiap-tiap nada, tetapi untuk
merepresentasikan nada yang didengarkan tersebut menjadi sebuah not tidak
mudah. Melihat kondisi tersebut, dibutuhkan suatu sarana yang dapat membaca
nada-nada pada sebuah lagu, kemudian menerjemahkannya menjadi sederetan
notasi lagu secara otomatis.
1.2
Perumusan masalah
Melihat latar belakang permasalahan, maka masalah yang dapat
dirumuskan dalam tugas akhir ini adalah bagaimana membangun sebuah sistem
yang dapat menerjemahkan nada-nada pada lagu menjadi not-not lagu yang
berupa notasi angka atau huruf.
Tugas akhir ini menggunakan pendekatan fitur chroma dan Hidden
Markov Model (HMM). Fitur atau representasi chroma digunakan untuk
memetakan nada-nada menjadi chromagram. Sebuah nada mempunyai pitch atau
tinggi rendah nada yang berbeda-beda dalam 12 oktaf [10]. Dalam tiap level
oktaf, terdapat 7 jenis nada, yaitu do, re, mi, fa, sol, la, dan si. Dengan representasi
chroma, nada dalam level oktaf yang sama dapat dipetakan dan dibedakan antara
nada yang satu dengan yang lainnya [2]. Chromagram ini kemudian akan menjadi
inputan untuk HMM.
HMM adalah sebuah model statistik dari sebuah sistem yang diasumsikan
sebuah Markov Process dengan parameter yang tidak diketahui (hidden).
Parameter yang tersembunyi tersebut akan dapat diketahui setelah sebelumnya
mengobservasi dulu parameter inputan chroma yang sudah diketahui. Setiap satu
parameter hidden diobservasi, akan ada paremeter hidden lainnya yang dapat
diketahui. Semakin banyak parameter yang diketahui, akan semakin terbaca pola
chroma dari nada yang
1
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
diamati. Jika pola nada
da sudah terbaca, nada dapat direpresentasikan
n ddan dibaca
dalam bentuk notasi nada
ada [8].
Gambar 1. 1 Arsitektur Sistem
1.3
a.
b.
c.
d.
1.4
1.
2.
3.
Batasan masa
salah
Hal-hal yang mem
embatasi tugas akhir ini diantaranya:
Semakin banyak instrumen
ins
musik yang dimainkan dalam sebuahh lagu, akan
membuat lagu menja
njadi semakin kompleks strukturnya. Tugas akhir
hir ini hanya
akan menggunakann ssampel lagu yang menggunakan 1 jenis instrum
umen musik,
yaitu piano classic/St
/String.
Sampel musik yangg ddigunakan berupa file audio yang berekstensi *.w
*.wav.
Nada yang akan dik
dikenali adalah nada-nada yang berupa not tung
nggal. Nada
yang berupa chord
rd atau gabungan not-not lagu yang dimaink
inkan secara
bersamaan tidak dipe
iperhatikan.
Output dari aplikasi
si iini berupa deretan notasi huruf.
Tujuan
Tujuan dalam tug
tugas akhir ini adalah :
Membangun sebuah
ah sistem yang dapat digunakan untuk mengenali
ali nada-nada
yang ada pada sebu
buah lagu dan mampu menerjemahkan nada men
enjadi notasi
lagu yang berupa no
notasi huruf.
Membuktikan bahw
hwa kombinasi vektor ciri dengan fitur chromaa dan Model
Hidden Markov dap
apat digunakan untuk kasus pengenalan nada.
Menganalisa output
put dari sistem dengan parameter keakuratan nada
n
untuk
menilai performansi
nsi sistem.
2
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
1.5
1.
2.
3.
4.
5.
1.6
Metodologi penyelesaian masalah
Metode yang digunakan dalam tugas akhir ini antara lain :
Studi Literatur
Mempelajari konsep nada, tingkatan nada, frekuensi, chroma, dan model
Markov untuk pembuatan sistem tersebut melalui berbagai sumber.
Analisis dan Perancangan
Mempelajari dan menganalisis proses dan algoritma HMM dengan
representasi chroma untuk pengenalan notasi lagu.
Implementasi
Mengimplementasikan representasi chroma untuk memetakan nada pada
lagu, kemudian memprosesnya dengan database nada dalam HMM.
Mengevaluasi performansi sistem dengan melakukan pengujian terhadap
output dari sistem dengan menggunakan parameter keakuratan notasi nada
yang didapat. Output notasi yang didapat akan dicocokkan dengan partitur
notasi asli secara manual.
Pengambilan kesimpulan dan penyusunan laporan tugas akhir.
Sistematika Penulisan
Penulisan Tugas Akhir ini dibagi dalam enam bab, yang terdiri atas:
Bab I Pendahuluan
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan,
metodologi penyelesaian masalah dan sistematika penulisan yang digunakan
dalam penyusunan Tugas Akhir ini.
Bab II Konsep dan Teori
Berisi teori dan rumusan awal yang diperoleh dari berbagai sumber mengenai
nada, representasi chroma, dan Hidden Markov Model.
Bab III Analisis dan Perancangan Sistem
Bab ini berisi uraian tentang tahap pre-processing; perancangan HMM; meliputi
arsitektur HMM, pemodelan HMM; dan pengenalan nada.
Bab IV Implementasi dan Analisis Hasil Pengujian
Bab ini berisi uraian tentang implementasi dan analisis hasil pengujian sistem
meliputi proses pengujian, perhitungan tingkat keakuratan dan tingkat kesalahan,
serta hasil pengujian.
Bab V Kesimpulan dan Saran
Bab ini berisi kesimpulan dari seluruh uraian bab dan saran terhadap penelitian
tentang pengenalan nada.
3
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
5 Penutup
5.1
Kesimpulan
Berdasarkan hasil implementasi dan pengujian, maka dapat ditarik
kesimpulan sebagai berikut:
1) Sistem pengenalan nada ini dapat mengenali dengan baik nada-nada tunggal
pada lagu dengan tempo yang sedang. Untuk lagu dengan tempo yang lambat
dan cepat, parameter limit panjang nada dapat disesuaikan dengan kasus agar
mendapatkan hasil yang maksimal
2) Kombinasi representasi chroma untuk fitur ciri dan HMM sebagai model
training dan testing dapat digunakan untuk kasus pengenalan nada, hasil yang
didapatkan cukup memuaskan dan mempunyai akurasi yang cukup tinggi.
3) Proses segmentasi nada mempunyai pengaruh yang cukup besar terhadap hasil
dari proses pengenalan nada. Jika proses segmentasi tidak tepat (1 nada dibaca
sebagai 2 nada atau lebih ataupun sebaliknya) maka hasil dari proses
pengenalan nada menjadi tidak akurat. Limit panjang nada mempunyai
peranan yang penting dalam kasus ini. Pada lagu dengan tempo yang lambat,
nilai limit yang bagus berkisar antara 1,0-1,3. Pada lagu dengan tempo yang
sedang, nilai limit yang bagus berkisar antara 1,3-1,7. Sedangkan untuk lagu
bertempo cepat akan didapatkan hasil yang optimal pada limit antara 1,6-2,0.
4) Ukuran codebook dalam tahap training dapat mempengaruhi akurasi
pengenalan nada. Semakin besar ukuran codebook, semakin tinggi pula nilai
akurasi yang didapat. Untuk kasus pengenalan nada ini, ukuran codebook yang
paling bagus adalah 32.
5) Jumlah State dalam tahap training dapat mempengaruhi akurasi pengenalan
nada. Semakin besar ukuran codebook, semakin tinggi pula nilai akurasi yang
didapat. Untuk kasus pengenalan nada ini, jumlah State yang paling bagus
adalah 4.
5.2
Saran
1) Sistem pengenalan nada ini ditulis dalam bahasa pemrograman Matlab, maka
untuk pengembangan lebih lanjut diharapkan menggunakan bahasa
pemrograman yang lain agar pemrosesan data bisa lebih cepat.
2) Sistem pengenalan nada ini mempunyai kelemahan dalam mengenali nadanada pada lagu dengan tempo yang lambat dan cepat karena tidak bisa
fleksibel dalam menentukan limit panjang nada, maka untuk pengembangan
lebih lanjut diharapkan menggunakan algoritma segmentasi nada yang lebih
baik.
50
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
Referensi
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
Sheh, Alexander and Ellis, Daniel PW., “Chord Segmentation and
Recognition using EM-Trained Hidden Markov Models”, LabROSA,
Columbia University, 2003.
Bartsch, Mark A and Wakefield, Gregory H., “Audio Thumbnailing of
Popular Music Using Chroma-Based Representations”, IEEE :
Transactions on Multimedia Vol. 7 No. 1, 2005.
Bilmes, Jeff, “What HMMs Can Do”, Dept of EE, University of
Washington, 2002.
Rabiner, Lawrence R., “A Tutorial on HMM and Selected Applications in
Speech Recognition”, IEEE Vol. 77 No.2, 1989.
Middleton, Gareth, “Pitch Detection Algorithms”, The Connexions
Project, US, 2003.
Dannenberg, Roger B. and Hu, Ning, “Discovering Musical Structure in
Audio Recordings”, Carnegie Mellon University, Pittsburgh, 2002.
Schmidt-Jones, Catherine, “Frequency, Wavelength, and Pitch”, The
Connexions Project, US, 2006.
“Hidden Markov Model”, http://en.wikipedia.org/wiki/Hidden_Markov_
model, diakses 3 Maret 2008.
“Notasi Musik”, http://id.wikipedia.org/wiki/Not, diakses 3 Maret 2008.
“Pitch Class”, http://en.wikipedia.org/wiki/Pitch_class, diakses3 Maret
2008.
Lartillot, Olivier, “MIRtoolbox 1.1 User’s Manual”, University of
Jyväskylä, Finland, 2008.
Lartillot, Olivier and Petri Toiviainen, “A Matlab Toolbox For Musical
Feature Extraction From Audio”, University of Jyväskylä, Finland, 2007.
_______, “Matlab Exercise: Speech Recognition”, IT University of
Copenhagen, 2005.
Peiszer, Ewald, “Automatic Audio Segmentation: Segment Boundary and
Structure Detection in Popular Music”, Vienna Universuty of Technology,
2007.
Pinto, Rui Pedro, “Melody Detection in Polyphonic Audio”, Universidade
de Coimbra, 2006.
51
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
PENGENALAN NADA PADA FILE AUDIO BERINSTRUMEN PIANO
MENGGUNAKAN REPRESENTASI CHROMA DAN HIDDEN MARKOV MODEL
Andri Nur Rahmadi¹, Fazmah Arief Yulianto², Tjokorda Agung Budi Wirayuda³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Nada adalah bunyi yang beraturan. Sederetan nada yang terhimpun jadi satu dengan harmonis
akan menjadi sebuah musik. Dalam penulisannya, nada dilambangkan dengan not atau notasi.
Penerjemahan nada menjadi not membutuhkan pendengaran yang bagus dan pengetahuan
tentang nada. Pendengaran manusia mampu membedakan tiap-tiap nada, tetapi untuk
merepresentasikan nada yang didengarkan tersebut menjadi sebuah not tidak mudah. Melihat
kondisi tersebut, dibutuhkan suatu sarana yang dapat membaca nada-nada pada sebuah lagu,
kemudian menerjemahkannya menjadi sederetan notasi lagu secara otomatis.
Hidden Markov Model (HMM) adalah sebuah metode yang sudah banyak digunakan pada speech
recognition. HMM merupakan model statistik dari sebuah sistem yang diasumsikan sebuah
Markov Process dengan parameter yang tidak diketahui (hidden). Program ini dibuat untuk
menerapkan metode HMM untuk mengenali nada pada file musik yang terlebih dahulu
diekstraksi fitur cirinya. Representasi fitur ciri yang dipakai dalam program ini adalah
representasi chroma. Dengan fitur chroma, sebuah nada dapat direpresentasikan ke dalam fitur
vektor yang singkat.
Melalui perangkat lunak ini diharapkan dapat membantu pemakai dalam memainkan musik yang
tidak mempunyai partitur lagu. Selain itu perangkat lunak ini memberikan output nada dalam
bentuk notasi huruf, sehingga pemakai tidak akan mengalami banyak kesulitan dalam membaca
notasi nada tersebut.
Kata Kunci : Representasi Chroma, Hidden Markov Model, Nada, Notasi.
Abstract
Tone is an uniformed sounds. Sequence of tones which are arranged harmonically into one is
called a music. Tones are symbolized by note or notation. To transcript a tone into a notation
needs a good hearing and knowledge of music. The human ear are able to difference any notation
but the process to transcript a tone into a note is not easy. Therefore, it needs a medium which
could read tones and transcript them into notes automatically.
Hidden Markov Model (HMM) is a method which already used in speech recognition. HMM is a
statistical method from a system which assumed as a Markov Process with hidden parameters.
This program was made to apply HMM method in recognizing tones. This program used chromabased representation as the featured vector. Using chroma, a tone could be represented into a
shorter feature.
This software expected to help user playing music without musical sheet. Thus, this software
gives alphabetic notation as output of tone, so the user could read the notes easily.
Keywords : Key words: Chroma-based Representation, Hidden Markov Model, Tone, Notation.
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
1. Pendahuluan
1.1
Latar belakang
Musik adalah sebuah karya seni yang indah. Dari zaman ke zaman musik
sudah menjadi bagian dari kehidupan manusia yang susah untuk dipisahkan.
Terkadang disamping mendengarkan musik, orang juga ingin memainkan lagu
yang ada di musik tersebut. Namun, pada kenyataannya tidak semua orang bisa
menerjemahkan not apa saja yang dimainkan dalam sebuah musik yang
didengarkan. Dibutuhkan berjam-jam usaha ekstra keras untuk menerjemahkan
sebuah lagu menjadi lembaran-lembaran partitur not.
Nada adalah bunyi yang beraturan. Sederetan nada yang terhimpun jadi
satu dengan harmonis akan menjadi sebuah musik. Nada memiliki tinggi nada dan
frekuensi tertentu yang khas dan berbeda satu sama lain. Dalam penulisan nada
pada sebuah lagu, nada dilambangkan dengan not atau notasi. Penerjemahan nada
menjadi not membutuhkan pendengaran yang bagus dan pengetahuan tentang
nada. Pendengaran manusia mampu membedakan tiap-tiap nada, tetapi untuk
merepresentasikan nada yang didengarkan tersebut menjadi sebuah not tidak
mudah. Melihat kondisi tersebut, dibutuhkan suatu sarana yang dapat membaca
nada-nada pada sebuah lagu, kemudian menerjemahkannya menjadi sederetan
notasi lagu secara otomatis.
1.2
Perumusan masalah
Melihat latar belakang permasalahan, maka masalah yang dapat
dirumuskan dalam tugas akhir ini adalah bagaimana membangun sebuah sistem
yang dapat menerjemahkan nada-nada pada lagu menjadi not-not lagu yang
berupa notasi angka atau huruf.
Tugas akhir ini menggunakan pendekatan fitur chroma dan Hidden
Markov Model (HMM). Fitur atau representasi chroma digunakan untuk
memetakan nada-nada menjadi chromagram. Sebuah nada mempunyai pitch atau
tinggi rendah nada yang berbeda-beda dalam 12 oktaf [10]. Dalam tiap level
oktaf, terdapat 7 jenis nada, yaitu do, re, mi, fa, sol, la, dan si. Dengan representasi
chroma, nada dalam level oktaf yang sama dapat dipetakan dan dibedakan antara
nada yang satu dengan yang lainnya [2]. Chromagram ini kemudian akan menjadi
inputan untuk HMM.
HMM adalah sebuah model statistik dari sebuah sistem yang diasumsikan
sebuah Markov Process dengan parameter yang tidak diketahui (hidden).
Parameter yang tersembunyi tersebut akan dapat diketahui setelah sebelumnya
mengobservasi dulu parameter inputan chroma yang sudah diketahui. Setiap satu
parameter hidden diobservasi, akan ada paremeter hidden lainnya yang dapat
diketahui. Semakin banyak parameter yang diketahui, akan semakin terbaca pola
chroma dari nada yang
1
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
diamati. Jika pola nada
da sudah terbaca, nada dapat direpresentasikan
n ddan dibaca
dalam bentuk notasi nada
ada [8].
Gambar 1. 1 Arsitektur Sistem
1.3
a.
b.
c.
d.
1.4
1.
2.
3.
Batasan masa
salah
Hal-hal yang mem
embatasi tugas akhir ini diantaranya:
Semakin banyak instrumen
ins
musik yang dimainkan dalam sebuahh lagu, akan
membuat lagu menja
njadi semakin kompleks strukturnya. Tugas akhir
hir ini hanya
akan menggunakann ssampel lagu yang menggunakan 1 jenis instrum
umen musik,
yaitu piano classic/St
/String.
Sampel musik yangg ddigunakan berupa file audio yang berekstensi *.w
*.wav.
Nada yang akan dik
dikenali adalah nada-nada yang berupa not tung
nggal. Nada
yang berupa chord
rd atau gabungan not-not lagu yang dimaink
inkan secara
bersamaan tidak dipe
iperhatikan.
Output dari aplikasi
si iini berupa deretan notasi huruf.
Tujuan
Tujuan dalam tug
tugas akhir ini adalah :
Membangun sebuah
ah sistem yang dapat digunakan untuk mengenali
ali nada-nada
yang ada pada sebu
buah lagu dan mampu menerjemahkan nada men
enjadi notasi
lagu yang berupa no
notasi huruf.
Membuktikan bahw
hwa kombinasi vektor ciri dengan fitur chromaa dan Model
Hidden Markov dap
apat digunakan untuk kasus pengenalan nada.
Menganalisa output
put dari sistem dengan parameter keakuratan nada
n
untuk
menilai performansi
nsi sistem.
2
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
1.5
1.
2.
3.
4.
5.
1.6
Metodologi penyelesaian masalah
Metode yang digunakan dalam tugas akhir ini antara lain :
Studi Literatur
Mempelajari konsep nada, tingkatan nada, frekuensi, chroma, dan model
Markov untuk pembuatan sistem tersebut melalui berbagai sumber.
Analisis dan Perancangan
Mempelajari dan menganalisis proses dan algoritma HMM dengan
representasi chroma untuk pengenalan notasi lagu.
Implementasi
Mengimplementasikan representasi chroma untuk memetakan nada pada
lagu, kemudian memprosesnya dengan database nada dalam HMM.
Mengevaluasi performansi sistem dengan melakukan pengujian terhadap
output dari sistem dengan menggunakan parameter keakuratan notasi nada
yang didapat. Output notasi yang didapat akan dicocokkan dengan partitur
notasi asli secara manual.
Pengambilan kesimpulan dan penyusunan laporan tugas akhir.
Sistematika Penulisan
Penulisan Tugas Akhir ini dibagi dalam enam bab, yang terdiri atas:
Bab I Pendahuluan
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan,
metodologi penyelesaian masalah dan sistematika penulisan yang digunakan
dalam penyusunan Tugas Akhir ini.
Bab II Konsep dan Teori
Berisi teori dan rumusan awal yang diperoleh dari berbagai sumber mengenai
nada, representasi chroma, dan Hidden Markov Model.
Bab III Analisis dan Perancangan Sistem
Bab ini berisi uraian tentang tahap pre-processing; perancangan HMM; meliputi
arsitektur HMM, pemodelan HMM; dan pengenalan nada.
Bab IV Implementasi dan Analisis Hasil Pengujian
Bab ini berisi uraian tentang implementasi dan analisis hasil pengujian sistem
meliputi proses pengujian, perhitungan tingkat keakuratan dan tingkat kesalahan,
serta hasil pengujian.
Bab V Kesimpulan dan Saran
Bab ini berisi kesimpulan dari seluruh uraian bab dan saran terhadap penelitian
tentang pengenalan nada.
3
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
5 Penutup
5.1
Kesimpulan
Berdasarkan hasil implementasi dan pengujian, maka dapat ditarik
kesimpulan sebagai berikut:
1) Sistem pengenalan nada ini dapat mengenali dengan baik nada-nada tunggal
pada lagu dengan tempo yang sedang. Untuk lagu dengan tempo yang lambat
dan cepat, parameter limit panjang nada dapat disesuaikan dengan kasus agar
mendapatkan hasil yang maksimal
2) Kombinasi representasi chroma untuk fitur ciri dan HMM sebagai model
training dan testing dapat digunakan untuk kasus pengenalan nada, hasil yang
didapatkan cukup memuaskan dan mempunyai akurasi yang cukup tinggi.
3) Proses segmentasi nada mempunyai pengaruh yang cukup besar terhadap hasil
dari proses pengenalan nada. Jika proses segmentasi tidak tepat (1 nada dibaca
sebagai 2 nada atau lebih ataupun sebaliknya) maka hasil dari proses
pengenalan nada menjadi tidak akurat. Limit panjang nada mempunyai
peranan yang penting dalam kasus ini. Pada lagu dengan tempo yang lambat,
nilai limit yang bagus berkisar antara 1,0-1,3. Pada lagu dengan tempo yang
sedang, nilai limit yang bagus berkisar antara 1,3-1,7. Sedangkan untuk lagu
bertempo cepat akan didapatkan hasil yang optimal pada limit antara 1,6-2,0.
4) Ukuran codebook dalam tahap training dapat mempengaruhi akurasi
pengenalan nada. Semakin besar ukuran codebook, semakin tinggi pula nilai
akurasi yang didapat. Untuk kasus pengenalan nada ini, ukuran codebook yang
paling bagus adalah 32.
5) Jumlah State dalam tahap training dapat mempengaruhi akurasi pengenalan
nada. Semakin besar ukuran codebook, semakin tinggi pula nilai akurasi yang
didapat. Untuk kasus pengenalan nada ini, jumlah State yang paling bagus
adalah 4.
5.2
Saran
1) Sistem pengenalan nada ini ditulis dalam bahasa pemrograman Matlab, maka
untuk pengembangan lebih lanjut diharapkan menggunakan bahasa
pemrograman yang lain agar pemrosesan data bisa lebih cepat.
2) Sistem pengenalan nada ini mempunyai kelemahan dalam mengenali nadanada pada lagu dengan tempo yang lambat dan cepat karena tidak bisa
fleksibel dalam menentukan limit panjang nada, maka untuk pengembangan
lebih lanjut diharapkan menggunakan algoritma segmentasi nada yang lebih
baik.
50
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
Referensi
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
Sheh, Alexander and Ellis, Daniel PW., “Chord Segmentation and
Recognition using EM-Trained Hidden Markov Models”, LabROSA,
Columbia University, 2003.
Bartsch, Mark A and Wakefield, Gregory H., “Audio Thumbnailing of
Popular Music Using Chroma-Based Representations”, IEEE :
Transactions on Multimedia Vol. 7 No. 1, 2005.
Bilmes, Jeff, “What HMMs Can Do”, Dept of EE, University of
Washington, 2002.
Rabiner, Lawrence R., “A Tutorial on HMM and Selected Applications in
Speech Recognition”, IEEE Vol. 77 No.2, 1989.
Middleton, Gareth, “Pitch Detection Algorithms”, The Connexions
Project, US, 2003.
Dannenberg, Roger B. and Hu, Ning, “Discovering Musical Structure in
Audio Recordings”, Carnegie Mellon University, Pittsburgh, 2002.
Schmidt-Jones, Catherine, “Frequency, Wavelength, and Pitch”, The
Connexions Project, US, 2006.
“Hidden Markov Model”, http://en.wikipedia.org/wiki/Hidden_Markov_
model, diakses 3 Maret 2008.
“Notasi Musik”, http://id.wikipedia.org/wiki/Not, diakses 3 Maret 2008.
“Pitch Class”, http://en.wikipedia.org/wiki/Pitch_class, diakses3 Maret
2008.
Lartillot, Olivier, “MIRtoolbox 1.1 User’s Manual”, University of
Jyväskylä, Finland, 2008.
Lartillot, Olivier and Petri Toiviainen, “A Matlab Toolbox For Musical
Feature Extraction From Audio”, University of Jyväskylä, Finland, 2007.
_______, “Matlab Exercise: Speech Recognition”, IT University of
Copenhagen, 2005.
Peiszer, Ewald, “Automatic Audio Segmentation: Segment Boundary and
Structure Detection in Popular Music”, Vienna Universuty of Technology,
2007.
Pinto, Rui Pedro, “Melody Detection in Polyphonic Audio”, Universidade
de Coimbra, 2006.
51
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika