Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
95
Aplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ) Imam Suderajad*), Tamam Asrori**), Mohammad***), Dwi Prananto****) Teknik Elektro, Universitas Panca Marga * Email:
[email protected], **-, ***-, ****
[email protected] Abstrak Jaringan syaraf tiruan merupakan suatu metode pemrosesan informasi yang meniru kerja system syaraf manusia. Salah satu algoritma jaringan syaraf tiruan adalah learning vector quantization (LVQ). LVQ merupakan algoritma yang sederhana tetapi sangat efektif untuk digunakan dalam klasifikasi. Dalam makalah ini algoritma LVQ diterapkan untuk mengenali citra chord gitar. Sebuah aplikasi dirancang untuk dapat melakukan pengenalan citra chord melalui serangkaian tahapan yang dimulai dari pemrosesan citra chord hingga proses klasifikasi chord melalui pembelajaran LVQ. Pemrosesan citra chord yang dilakukan adalah proses deteksi kulit melalui pengubahan citra dari RGB menjadi model YCrCb. Hasil deteksi kulit digunakan dalam proses pelatihan dengan LVQ. Bobot akhir hasil pelatihan digunakan untuk mengenali jenis chord gitar. Citra chord gitar yang digunakan adalah sebanyak 91, yang terdiri atas 13 citra untuk tiap 7 chord dasar gitar. 8 dari 13 citra digunakan sebagai citra latih dan 5 sisanya digunakan sebagai citra uji. Dari hasil pengujian diperoleh bahwa aplikasi dapat membaca mayoritas dari citra uji. Persentase keberhasilan pada implementasi metode LVQ untuk pengenalan keseluruhan chord gitar mendekati 90 %. Kata kunci: chord gitar, LVQ, pengenalan citra
1. PENDAHUUAN Dalam permainan gitar nada yang dihasilkan dipengaruhi oleh konfigurasi jari tangan pada senar-senar gitar, konfigurasi jari tangan ini disebut sebagai chord dalam permainan gitar. Nada yang berbeda dihasilkan oleh chord yang berbeda pula. Penempatan jari-jari tangan yang benar pada senar-senar gitar akan menentukan baik tidaknya nada yang dihasilkan oleh petikan gitar. Dalam pembelajaran bermain gitar bagi pemula diperlukan bantuan orang lain sebagai pengoreksi peletakan jari-jari tangan pada senar-senar gitar. Teknologi yang berkembang saat ini terutama dalam bidang pemrosesan citra dan pembelajaran mesin memungkinkan munculnya inovasi dalam berbagai bidang termasuk seni musik. Dalam makalah ini dipaparkan pemanfaatan salah satu metode pembelajaran mesin dalam permainan gitar. Sebuah aplikasi telah dikembangkan untuk mengenali citra chord gitar dengan memanfaatkan salah satu metode pembelajaran mesin yang disebut jaringan syaraf tiruan.
ISBN: 979-26-0280-1
Jaringan saraf tiruan adalah salah satu paradigma dalam pembelajaran mesin untuk memproses informasi dimana cara kerjanya terinspirasi oleh cara kerja system syaraf biologis [1]. Jaringan syaraf tiruan tersusun atas banyak elemen pemrosesan, disebut neuron, yang saling terhubung dan berkerja secara simultan untuk menyelesaikan suatu permasalahan. Salah satu algoritma dalam jaringan syaraf tiruan yang banyak digunakan adalah algoritma learning vector quantization (LVQ). LVQ adalah algoritma klasifikasi yang memanfaatkan vektor yang terhubung dan bekerja secara kompetitif namun terbimbing untuk menyelesaikan suatu masalah. Jaringan LVQ tersusun atas lapisan kompetitif (tersusun atas beberapa neuron) yang bekerja untuk mengklasifikasikan vektor-vektor masukan berdasarkan prinsip persaingan di mana kelas ditentukan berdasarkan pemenang kompetisi. Pemenang kompetisi ditentukan berdasarkan jarak vektor masukan dengan vektor yang menjadi referensi [2]. LVQ banyak digunakan dalam pengenalan
96
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
pola dan klasifikasi data. Metode ini cukup sederhana namun sangat efektif. Beberapa penelitian dengan LVQ telah dilakukan dan memberikan hasil yang cukup baik. Ranadhi et al.[4] melakukan penelitian tentang sistem informasi narapidana untuk LP Wirogunan, yang dilengkapi dengan sistem pengenal pola sidik jari. Metode LVQ diterapkan dalam mengenali pola sidik jari dan memberikan keberhasilan yang cukup tinggi. Dengan menggunakan 20 epoch dan α = 0.05, keberhasilan pencocokan mencapai 60% [3]. Harjunowibowo memanfaatkan LVQ dalam pembuatan perangkat lunak deteksi uang palsu dan diperoleh keakuratan rata – rata sebesar 100% untuk 20 citra uji iluminasi dan 14 data citra uji kecerahan [4]. Dalam penelitian ini algoritma LVQ diterapkan dalam pengenalan citra chord gitar. Citra dari tujuh chord dasar gitar dapat dikenali oleh sebuah aplikasi yang dibangun dengan menggunakan MATLAB. Tujuan dari penelitian ini adalah untuk membangun sebuah aplikasi untuk mengenali citra chord gitar dengan memanfaatkan algoritma pembelajaran LVQ. Nantinya aplikasi yang dibangun dapat dikembangan sebagai sebuah aplikasi pembelajarn bermain gitar bagi pemula secara mandiri. Penelitian ini dilakukan dengan menggunakan 7 chord dasar gitar (A, B, C. D, E, F, G). Citra yang digunakan adalah citra chord tampak depan dan diasumsikan tanpa noise dan citra yang digunakan adalah citra berwarna dalam format JPEG.
2. METODE Sebanyak 91 citra chord gitar digunakan dalam penelitian ini, dengan rincian yaitu 13 citra untuk setiap chord dasar (A, B, C, D, E, F). Delapan dari tiga belas citra pada tiap chord dasar digunakan sebagai citra latih dan lima citra sisa digunakan dalam proses pengujian.
Tahap pelatihan
citra chord
Deteksi kulit
Pelatihan LVQ
Bobot A, B, C, D, E, F, G
Klasifikasi LVQ
Hasil pengenalan citra chord A/ B/ C/ D/ E/ F/ D/ G
Tahap klasifikasi
citra chord
Deteksi kulit
Gambar 1. Skema sistem pengenalan citra 2.1 Deteksi Kulit Citra-citra chord gitar melalui proses deteksi kulit untuk dapat membedakan dan mengenali bagian dari citra yang merupakan kulit tangan dengan bagian yang bukan kulit. Pada tahap ini citra RGB diubah ke dalam model YCrCb untuk memisahkan komponen luminance Y, yang merupakan porsi hitamputih dari citra, dengan komponen chrominance yang terdiri atas komponen Cr dan Cb. Cr merupakan unsur pembeda warna merah sedang Cb merupakan unsur pembeda warna biru. Proses pengubahan dilakukan pada tiap-tiap piksel dalam citra. Untuk mengubah citra RGB ke model warna YCrCb dilakukan dengan persamaan berikut , (1) , (2) . (3) Melalui proses pengubahan citra dari RGB ke YCrCb dapat diperoleh citra yang menunjukkan daerah dalam citra yang merupakan kulit dan daerah bukan kulit. Citra hasil deteksi kulit kemudian dilakukan binerisasi, dimana piksel yang berwarna kulit bernilai 1 dan piksel bukan kulit bernilai 0.
Gambar 2. Citra Chord G dan hasil deteksi kulit
ISBN: 979-26-0280-1
97
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
2.2 Pelatihan LVQ Citra hasil deteksi kulit kemudian digunakan dalam proses pelatihan dengan menggunakan algoritma LVQ. Proses pelatihan ini akan menghasilkan bobot akhir untuk tiap chord gitar yang nantinya digunakan dalam tahap klasifikasi pengenalan chord. Citra yang digunakan dalam tahap pelatihan ini adalah sebanyak 56 citra yang terdiri atas 8 citra untuk tiap 7 chord (A, B, C, D, E, F, G). Metode pembelajaran yang digunakan dalam pelatihan LVQ adalah metode pembelajaran kompetitif. Dalam metode inilah neuron dalam lapisan kompetitif ditentukan berdasarkan kedekatannya dengan vektor masukan. Proses ini dilakukan dalam beberapa proses pembelajaran berulang hingga dihasilkan neuron-neuron kompetitif yang mewakili kelas yang dalam hal ini adalah chord A, B, C, D, E, F, dan G. Algoritma pembelajaran LVQ dimulai dengan melakukan inisialisasi terhadap beberapa parameter seperti jumlah epoch, nilai learning rate α, dan vektor bobot awal. Proses penentuan kelas dilakukan berdasarkan jarak terpendek antara vektor bobot awal dengan vektor masukan[12]. Kelas ditentukan dari nilai jarak yang paling minimum. Penghitungan jarak terpendek dilakukan dengan dengan menggunakan jarak Euclidean yang dituliskan dalam persamaan berikut ‖ ‖ √∑
.
(4)
Dimana ( dan ) adalah vektor masukan (citra chord gitar) dan ( dan adalah vektor bobot. Dari hasil perhitungan jarak terdekat ini, vektor bobot yang dekat dengan vektor masukan akan digantikan dengan bobot baru yang mana bobot baru ini mewakili kelas tertentu. Vektor bobot baru akan diperbarui dengan [ ] (5) Proses ini akan diulang sesuai jumlah epoch dan setiap epoch nilai akan diperbarui dengan . (6) Pada akhir proses pelatihan ini akan diperoleh bobot akhir. Bobot akhir akan digunakan dalam tahap klasifikasi untuk mengenali citra chord. 2.3 Klasifikasi LVQ Bobot akhir yang didapatkan dari hasil pelatihan digunakan pada tahap klasifikasi untuk mengenali chord gitar. Dalam tahap ini proses kompetitif dijalankan berdasarkan kedekatan vektor masukan dengan vektor bobot. ‖ √∑
‖ .
(7)
Vektor masukan yang paling dekat dengan vektor bobot tertentu diklasifikasikan dalam kelas yang mewakili vektor bobot tersebut. Pada tahap ini citra-citra chord melalui tahapan yang sama seperti dalam tahap pembelajaran, yaitu deteksi kulit, sebelum diterapkan pada proses klasifikasi dengan LVQ.
3. HASIL DAN PEMBAHASAN Dalam tahap pengujian, 5 citra chord gitar untuk tiap 7 chord (A, B, C, D, E, F, G) digunakan sebagai citra uji. Dari 35 citra uji coba program citra yang tidak berhasil dikenali adalah sebanyak 4 citra.
Gambar 3. Struktur jaringan LVQ
ISBN: 979-26-0280-1
98
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
Tabel 1. Hasil pengujian pengenalan citra chord No Chord 1. A
2. B
3. C
4. D 5. E
6. F
7. G
Uji ke -
Hasil Pengenalan
1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
A A A A A B B B B B C C C C C G D D D D E E F G G F F F F F G G G G G
% keberha silan
100%
4. KESIMPULAN 100%
100%
80%
40%
100%
100%
Berdasarkan pengujian yang telah dilakukan, diketahui bahwa aplikasi dapat membaca semua citra uji, kemudian menjalankan proses deteksi kulit, dan melakukan klasifikasi dengan learning vector quantization. Keseluruhan proses dapat berjalan sesuai yang diharapkan. Persentase keberhasilan pada implementasi metode learning vector quantization untuk pengenalan chord gitar dihitung dengan menggunakan (8)
ISBN: 979-26-0280-1
Dimana adalah jumlah citra yang berhasil dikenali dan adalah jumlah citra uji. Dari 35 citra uji terdapat 31 citra hasil yang benar. Jadi, persentase keberhasilan pengenalan chord gitar secara keseluruhan adalah 89%. Angka ini menunjukkan efektifnya algoritma LVQ dalam pengenalan citra grip gitar.
Berdasarkan penelitian yang telah dilakukan, diperoleh kesimpulan bahwa aplikasi pengenalan citra chord gitar telah berhasil dibangun dimana aplikasi ini memanfaatkan algoritma learning vector quantization (LVQ) untuk mengklasifikasikan citra chord gitar. Aplikasi ini menjalankan beberapa proses yang dimulai dari pemrosesan citra yaitu deteksi kulit, kemudian dilakukan proses pelatihan klasifikasi dengan algoritma LVQ yang menghasilkan bobot akhir. Bobot akhir hasil pelatihan digunakan dalam tahap pengujian dimana lima citra untuk tiap tujuh chord dasar gitar diujikan untuk mengetahui ketepatan pengenalan citra. Hasil pengujian menghasilkan persentase keberhasilan pengenalan citra yaitu sebesar 89%. Angka ini menunjukkan bahwa algoritma LVQ, yang cukup simple dalam penerapannya terbukti efektif dalam mengenali citra chord gitar. Hasil penelitian ini diharapkan dapat dikembangkan lebih jauh sehingga dapat dihasilkan produk aplikasi pembelajaran bermain gitar bagi pemula.
5. DAFTAR PUSTAKA [1] Stergiou C and Siganos D. Neural Networks. Januari 2015. URL: http://www.doc.ic.ac.uk/~nd/surprise_96 /journal/vol4/cs11/report.html [2] Kusumadewi S. Artificial Intelligence Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu. 2003. [3] Ranadhi D, Indarto W, dan Hidayat T. Implementasi Learning Vektor Quantization (LVQ) untuk Pengenal Pola Sidik Jari Pada Sistem Informasi Narapidana LP Wirogunan. Media Informatika. 2006.
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
[4] Harjuno DW. Perangkat Lunak Deteksi Uang Palsu Bernasis LVQ Memanfaatkan Ultraviolet. Prosiding Seminar Nasional Biologi. Vol. 7 No. 1. 2010. [5] Al-Samarai JM, Akar HA, and Basheer RS. Medical Image Recognition using Artificial Neural Networks. IJCCCE, Vol. 5, No. 1. 2005. [6] Arhami M dan Desiani A. Pemrograman Matlab. Yogyakarta: Penerbit ANDI. 2006. [7] Prasetyo E. Pengolahan Citra Digital dan Aplikasinya menggunakan Matlab. Yogyakarta: Penerbit ANDI. 2011.
ISBN: 979-26-0280-1
99
[8] Putra D. Pengolahan Citra Digital. Yogyakarta: Penerbit ANDI. 2010. [9] Ramza H dan Dewanto Y. Teknik Pemograman Menggunakan Matlab. Jakarta: Grasindo. 2007. [10] Sela EI dan Hartati S. Pengenalan Jenis Penyakit THT Menggunakan Jaringan Learning Vector Quantization. URL: http://bit.ly/1eWzK4J [11] Sutoyo T, Mulyanto E, Suhariono V, dkk. Teori Pengolahan Citra Digital. Yogyakarta: ANDI; Semarang: UDINUS. 2006. [12] Bashyal S, Venayagamoorthy GK. Recognition of facial expressions using Gabor wavelets and learning vector quantization. Engineering Applications of Artificial Intelligence 21, 1056–1064. 2008.
