KLASIFIKASI MUSIK BERDASARKAN AKTIF FREQUENSI MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN)
KLASIFIKASI MUSIK BERDASARKAN AKTIF FREQUENSI
MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN)
Hardianto Wibowo
Teknik Informatika, Universitas Muhammadiyah Malang Kontak Person :
Hardianto Wobowo: e-mail: ardi@umm.ac.id
Abstrak
Musik adalah nada dan suara yang disusun sedemikian rupa sehingga menciptakan sebuahkarya seni indah dengan mengandung unsur irama, lagu, dan keharmonisan melalui alat maupun suara
manusia. Musik juga memiliki pola gelombang yang berbeda-beda setiap jenisnya, dan itu dibedakan
kedalam genre musik. Dalam musik dibagi menjadi 15 genre utama, yaitu musik klasik, jas gospel, blues,
rhythm and blues, funk, rock, metal / hardcore, electronic, ska / rege/ dub, hip hop / rap /rapcore, pop,
latin, county, dan dangdut. Penikmat musik ada yang suka dalam jenis musik tertentu musik tertentu.
Dalam penelitian ini akan dilakukan klasifikasi musik berdasarkan aktif frequensi, disebabkan musik
memiliki pola gelombang yang berbeda.Kata Kunci: : Klasifikasi musik, Aktif Frequensi, Genre musik
1. Pendahuluan
Musik adalah ilmu atau seni menyusun nada atau suara diutarakan, kombinasi dan hubungan temporal untuk menghasilkan komposisi (suara) yang mempunyai keseimbangan dan kesatuan, nada atau suara yang disusun sedemikian rupa sehingga mengandung irama, lagu dan keharmonisan (terutama yang dapat menghasilkan bunyi). David s. pada 2006 pernah menegaskan “ The resamble
that counts most for music’s expressiveness is between music’s temporarlly unfolding dynamic.
Structure and configurationof human behavior associated with the expression of emotion. “ [1]
Tidak hanya satu, tapi ada beragam jenis musik di dunia, jenis-jenis musik ini pada umumnya desebut dengan genre. Jenis-jenis music atau biasa disebut genre, yaitu pengelompokan music sesuai dengan kemiripannya satu sama lain. Musik juga dapat dikelompokan sesuai dengan kriteria lain, misalnya geografi. Sebuah genre dapat didefinisikan oleh teknik musik, gaya, konteks, dan tema musik.
Pengguna terkadang merasa kesulitan untuk mengkategorikan jenis musik ini karena harus mendengarkan satu per satu tiap lagu yang ada di media penyimpanannya, selain menghabiskan banyak waktu pengguna juga berpotensi kehilangan selera dalam mendengarkan musik lagi karena itulah penelitian ini akan meringankan pengguna untuk mengelompokkan kumpulan musik tersebut yang ada di media penyimpanan pengguna dengan mendeteksi aktif frekuensi setiap lagunya dengan kata lain sistem akan mendeteksi gaya bermusik yang ada disetiap lagu seberapa agresif atau lembut/lambat musik tersebut.
2. Metode Penelitian
Dalam tahap ini terdapat metodologi yang digunakan penulis dalam meneyelesaikan permasalahan yang ada. Yang pertama adalah aktif frequensi, K- Nerst Neighbor yang selanjutnya disebut KNN dan sistem skala.
2.1. Aktif Frequensi
Bunyi adalah hasil dari suatu getaran dan merupakan hasil perambatan energi. Tetapi, tidak semua bunyi yang ada disekitar dapat ditangkap oleh telinga manusia normal. Telinga kita hanya dapat mendengar bunyi yang mempunyai frekuensi tertentu. Menurut sistem pendengaran manusia di bagi menjadi tiga kelompok, yaitu frekuensi infrasonik, dengan rentang 0-20 Hz, frekuensi audible, 20-20.000 Hz, dan frekuensi ultrasonik, dengan rentang > 20.000 Hz
Bunyi yang dapat kita dengar dinamakan bunyi audiosonik. Bunyi audiosonik mempunyai frekuensi antara 20 Hz sampai dengan 20.000 Hz. Jadi, akan dapat mendengar suatu bunyi yang berkisar 20 Hz – 20.000 Hz. Bunyi di bawah 20 Hz atau di atas 20.000 Hz tidak dapat kita dengar.
V - 1 Namun beberapa orang yang memiliki pendengaran tajam dapat saja mendengar bunyi dengan frekuensi di bawah 20 Hz atau diatas 20.000 Hz. Hal itu sebagai pengecualian saja. Bunyi yang frekuensinya kurang dari 20 Hz disebut infrasonik, sedangkan bunyi yang frekuensinya lebih dari 20.000 Hz disebut ultrasonik.
Tools perangkat lunak untuk menganalisa suara frekuensi audible, dimana dapat melihat rentang frekuensi 20– 20.000. Tidak semua sumber suara memiliki rentang frekuensi penuh dari 20-20.000 hz.
Sebagai contoh suara ketika manusia berbicara memiliki suara yang berbeda – beda, ada yang bersuara berat, cempreng, dll. Hal tersebut karena suara yang dihasilkan manusia hanya merespon beberapa rentang frekuensi saja. Hal tersebutlah yang mendasari adanya beberapa rentang frekuensi suara yang aktif.
Suara yang dihasilkan oleh alat – alat musik memiliki rentang frekuensi yang berbeda pada insturmen musik hanya merespon beberapa rentang frekuensi. Seperti yang dilansir oleh SAE Institute pada halaman webnya www.sae.edu, bawasannya frequensi dibedakan menjadi dua bagian utama yaitu fundamental dan harmonics.
Terdapat beberapa tools yang digunakan untuk menganalisa berkas suara digital (MP3). Karena berkas suara music tercipta dari perbedaan komposisi dari satu atau lebih instumen music. Dipicu oleh pembisaan melalui udara atau frequensi instrument yang mendominasi sehingga tercuptanya berkas suara. Sebagai contoh, jenis musik EDM ( Electronic Dance Music) mengaktifkan semua frekuensi tetapi didominasi oleh tingginya ( longitudinal) frekuensi 20 – 150 hz. Hal tersebut didengar manusia memiliki suara bass yang besar.
Gambar 1 analisa menggunakan software (Speedy Spectrum Analyzer) guna melihat berkas suara
pada music
2.2. K- Nearst Neighbor (KNN)
Prinsip kerja K-Nearest Neighbor (KNN) adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan. Teknik ini termasuk dalam kelompok klasifikasi nonparametric. Di sini kita tidak memperhatikan distribusi dari data yang ingin kita kelompokkan. Teknik ini sangat sederhana dan mudah diimplementasikan. Mirip dengan teknik klastering, kita mengelompokkan suatu data baru berdasarkan jarak data baru itu ke beberapa data/tetangga (neighbor) terdekat.
V - 2 SENTRA 2017
Tujuan algoritma KNN adalah mengklasifikasikan obyek baru berdasarkan atribut dan training
sample. Clasifier tidak menggunakan model apapun untuk dicocokkan dan hanya berdasarkan pada
memori. Diberikan titik query, akan ditemukan sejumlah k obyek atau (titik training) yang paling dekat dengan titik query. Klasifikasi menggunakan voting terbanyak diantara klasifikasi dari k obyek. Algoritma KNN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari query instance yang baru. Algoritma metode KNN sangatlah sederhana, bekerja berdasarkan jarak terpendek dari query instance ke training sample untuk menentukan KNN-nya. Nilai k yang terbaik untuk algoritma ini tergantung pada data. Secara umum, nilai k yang tinggi akan mengurangi efek noise pada klsifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi semakin kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter, misalnya dengan menggunakan cross-validation. Kasus khusus dimana klasifikasi diprekdisikan berdasarkan training data yang paling dekat (dengan kata lain, k=1) disebut algoritma Nearest Neighbor. Kelebihan KNN (K-Nearest Neighbor): 1. Tangguh terhadap training data yang memiliki banyak noise.
2. Efektif apabila training datanya besar.
Kelemahan KNN (K-Nearest Neighbor): 1. KNN perlu menentukan nilai dari parameter k (jumlah dari tetangga terdekat).
2. Training berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan.
3. Atribut mana yang harus digunakan untuk mendapatkan hasil terbaik.
4. Biaya komputasi cukup tinggi karena diperlukan perhitungan jarak dari tiap query instance pada keseluruhan training sample. p 2
d x x
i (1) 2 i 1 i i 1
Keterangan:= Sampel Data
x 1 x = Data Uji / Testing 2
= Variabel Data
i d = Jarak p = Dimensi Data
2.3. Skala
Pada perhitungan pengelompokkan bark scale pada musik, pada penelitian ini akan menggunakan perhitungan skala. Perhitungan skala digunakan untuk penelompokkan frekuensi sesuai dengan bark scale. penskalaan adalah prosedur dalam menentukan letak stimulus atau respon pada suatu garis kontinum. Dengan demikian dapat dikatakan, penskalaan merupakan fasilitas yang sengaja dibuat untuk menghasilkan angka pada kontinum. Rumus dari penskalaan sebagai berikut,
(2) Pada rumus dilatasi dengan pusat (a,b) dan faktor skala k.
3. Hasil dan Pembahasan
3.1 Pengambilan data Spectum Mp3
Spectrum MP3 merupakan rentang suara yang dihasilkan oleh sebuah lagu. Setiap musik akan
memiliki spectrum yang berbeda berdasarkan nada yang dimainkan, bahkan melalui spectrum ini kita dapat melihat model gelomang yang dihasilkan. Pada penelitian ini peneliti akan menggunakan aplikasi untuk mengambil data spectrum yang dihasilkan oleh sebuah lagu. Aplikasi yang dingunakan dalam
V - 3 penelitian ini menggunakan game engine unity, dengan bark scale 254.
Gambar 2 Spectrum musik skala 254
Dari data tersebut akan dilolah untuk menentuka aktif frequensi yang kemudian akan dilakukan pensekalaan menjadi 5 bark scale. Dalam penelitian ini akan digunakan data sebanyak 180 data, yang terdiri dari 30 musik jenis dangdut, 30 musik jenis EDM, 30 musik jenis Metal, 30 musik jenis Pop/Rock, 30 musik Reggae, dan
30 musik jenis Akoustik.
3.2 Aktif Frequensi
Aktif frequensi adalah sebuah perhitungan yang dilakukan untuk menentukan seberapa aktif sebuah gelombang. Dalam perhitungan ini akan melakukan eliminasi terhadap noise yang ada, eliminasi ini didasarkan atas gelombang noise yang ada pada aplitudo dibawah 10db. Jadi amplitudo dibawah 10db akan dilakukan eliminasi.
Gambar 3 Data aktif frekquensi dengan skala 254
Pada Gambar 3 merupakan data yang telah diolah dalam untuk menggambil seberapa aktif sebuah frequensi. Dari data tersebut akan dilakukan penscalaan sesuai dengan 5 bark scale. Dari hasil penscalaan didapat data seperti pada Gambar 4,
Gambar 4 Hasil olah scala dalam 5 bark scale
3.4 Pengujian Data Menggunakan metode KNN
Pada tahap ini akan dilakukan pengujian klasifikasi yang akan dilakukan menggambil 60 jenis lagu dari genre yang berbeda, data uji diambil dari data semple yang ada, seperti terlihat pada Tabel 2
V - 4 SENTRA 2017
V - 5 Table 2 Judul Musik yang digunakan dalam pengujaian
3
3
2
5
5 K8
1
6
4
4
4
6 K7
5
6
3
2
4
5
1 K9
4
6
3. Aktif frequensi lebih cocok digunakan untuk pengklasifikasian musik berdasarkan alat musik yang dimainkan, hal ini dapat dilihat dari sebaran hasil pengujian pada tabel 3. karena setiap alat musik menempati frequensi yang berbeda, dan perhitungan aktif frekuensi berdasarkan seberapa sering alat terbut menhasilkan suara, dan akan saling beririsan jika alat musik yang digunakannya adalah sama.
2. Pada pengujian K=1 hingga K=10 didapat kesimpulan, aktif frequensi merupakan pengelompokkan sebuah gelombang yang aktif diakibtkan alat musik, hal ini dapat dilihat bahwa untuk lagu jenis dangdut, pop/rock dan reggae memiliki kemiripan yang cukup dekat, hal ini dapat dilihat dengan kemiripan data uji 1 musik dangdut yang lebih mirip 40% ke arah pop/rock dibanding dengan dangdut sendiri jika K=10.
1. Akurasi penggunaan feature aktif frequensi pada sebuah musik menggunakan metode KNN dan human knowladge pada musik ber genre EDM, Metal dan acoustik memiliki akurasi lebih dari 70%, dan memiliki kekurangan dengan pengelompokkan musik dengan genre yang hampir sejenis seperti dangdut, pop/rock, reggae, karena aktif frekskuensi ketiga genre tersebut berdekatan.
Dari pengujian yang telah dilakukan pada poin 3.4 didapatkan sebuah kesimpulan sebagai berikut
Hasil pengujian pada Tabel 3, pada data musik M1 40% lebih dekat kedalam musik Pop/Rock, sedangkan pada data musik M2 90% sesuai dengan genre musiknya, yaitu EDM. Pada data musik M3 100% sesuai dengan genre musiknya, yaitu musik metal. Sedangkan pada data musik M4 40% dekat dengan genre musik Acoustik dan 30% lebih dekat dengan genre musik dangdut. Pada data musik M5 40% sesuai dengan genrenya, yaitu reggae. Pada data musik M6 70% telah sesuai dengan genre musiknya, yaitu acoustik.
4 Tabel pengujian pada Tabel 3 adalah pengujian yang dilakukan menggunakan 6 genre, dengan M1 adalah contoh musik dari dangdut, M2 contoh musik dari EDM, M3 adalah contoh Musik dari musik Metal, M4 adalah contoh Musik dari Pop/ Rock, M5 adalah contoh musik dari Regge dan M6 adalah contoh musik dari jenis acoustic.
1
3
2
2
5
6 K10
5
6
3
2
6 K6
1
No Judul Ciptaan
M1 M2 M3 M4 M5 M6 K1
6 K2
5
4
3
2
1
Table 3 Hasil Pengujian menggunakan KNN
2
6 Invisible Adhitia Sofyan Dari tabel data lagu tersebut akan dilakukan pengujian berdasarkan data yang telah dibuat, dari pengujian K = 1 hingga K = 10 didapat hasil seperti tabel berikut
5 Travelling Home Iba Mahr
4 Kunci Hati Afgan
Claw Memphis May Fire
3 Red In Tooth And
2 Blade Theme Bryce
1 Darah Biru Megi Z
4
3
3
5
2
4
6 K5
2
4
3
2
6 K4
1
5
1
3
2
2
6 K3
2
4. Kesimpulan
Referensi [1] Davies, S. (2006). "Artistic Expression and the Hard Case of Pure Music", in: Kieran, M.
(Ed.), Contemporary Debates in Aesthetics and the Philosophy of Art: 179-91. P. 181 [2] Nopthaisong, Chakkapong, and Md Maruf Hasan. "Automatic music classification and retreival: Experiments with Thai music collection." Information and Communication Technology, 2007.
ICICT’07. International Conference on. IEEE, 2007.
[3] Xu, Changsheng, Namunu Chinthaka Maddage, and Xi Shao. "Automatic music classification and summarization."
IEEE transactions on speech and audio processing 13.3 (2005): 441-450.
[4] Lo, Yu-Lung, and Yi-Chang Lin. "Content-based music classification." Computer Science and
Information Technology (ICCSIT), 2010 3rd IEEE International Conference on. Vol. 2. IEEE, 2010.
[5] Lidy, Thomas, Georg Pölzlbauer, and Andreas Rauber. "Sound Re-synthesis from rhythm Pattern Features-audible insight into a Music Feature Extraction Process." ICMC. 2005. [6] S. Dixon. An interactive beat tracking and visualisation system. In Proc. Intl. Computer Music Conf., Havana, Cuba, 2001.
[7] S. Dixon, E. Pampalk, and G. Widmer. Classification of dance music by periodicity patterns. In Proc. Intl. Conf. on Music Information Retrieval (ISMIR), Baltimore, USA, 2003. [8]
E. Gomez, A. Klapuri, and B. Meudic. Melody description and extraction in the context of music content processing. J. New Music Research, 32(1), 2003. [9] M. Goto and Y. Muraoka. A real-time beat tracking system for audio signals. In Proc. Intl.
Computer Music Conf., Banff, Canada, 1995. [10] P. Lepain. Polyphonic pitch extraction from musical signals. J. New Music Research, 28(4), 1999. [11]
G. Tzanetakis, A. Ermolinskyi, and P. Cook. Pitch histograms in audio and symbolic music information retrieval. In Proc. Intl. Conf. on Music Information Retrieval (ISMIR), Paris, France, 2002. [12] Deepa, P. L., and K. Suresh. "An optimized feature set for music genre classification based on
Support Vector Machine." Recent Advances in Intelligent Computational Systems (RAICS), 2011 IEEE. IEEE, 2011.
V - 6 SENTRA 2017