EKSTRAKSI FITUR SINYAL UNTUK PENALAAN GITAR MENGGUNAKAN WAVELET TRANSFORM
Moh Abd Rifai Batewa, Agus Lahinta, Abd Aziz Bouty Program Studi S1 Sistem Informasi / Jurusan Informatika
Intisari Gitar merupakan alat musik yang sering dimainkan oleh orang banyak baik dari anakanak maupun orang dewasa, tidak semua pemain gitar dapat melakukan penalaan yang sesuai dengan standar nada, untuk mendapatkan stem yang standar seseorang harus melakukan penalaan yang dengan menggunakan tuner elektronik. Penelitian ini bertujuan untuk menghasilkan aplikasi yang dapat membantu pemain gitar khususnya pemula untuk melakukan penalaan dengan menerapkan metode wavelet transform untuk mengekstraksi sinyal diskrit. Hasil uji coba penalaan sebanyak 20 kali terdapat 1 kali penalaan yang kurang akurat sehingga diasumsikan wavelet transform akurat dalam menganalisa sinyal diskrit dari hasil sampling, dilakukan pula penalaan berdasarkan feeling dan efek gitar. Terlihat dari hasil uji coba penalaan berdasarkan feeling sangat jauh dari nada standar
Kata kunci : Gitar, Penalaan, Wavelet Transform.
Abstract Guitar is the musical instrument and played by lot of people from children to adults. Not all guitar players can make a logical tuning based on the standard tone. To get a standard logical tuning, they have to do it by the electronic tunner. This reasearch aims to produce an aplication that will help a guitar player a especially to a beginner player who wants to do tuning. They have to apply wavelet transform method to extract discrete signal. The result of the trial was 20 times, it get one inaccurate tuning. Therefore it assumes the wavelet transform is accurate on analyzing discrete signal from sampling data. It is also done the tuning based on its own feeling and guitar effect. It showed that the result of using feelling is different from using wavelet transform method. Keyword : Guitar, Tuning, Wavelet Transform
PENDAHULUAN Perkembangan musik saat ini begitu pesat, baik anak-anak maupun orang dewasa menyukai musik dari aliran Rock, Pop, Jazz, Metal, dan lain - lain. Untuk menciptakan musik yang indah seseorang harus menggunakan salah satu alat musik seperti gitar, alat musik ini sering digunakan dalam komposisi band sehingga menarik banyak orang untuk belajar menggunakan gitar. Banyak orang bisa menggunakan gitar baik tingkat standart maupun lebih mendalam lagi, tetapi hanya dari beberapa orang yang mampu melakukan tuning gitar dengan feeling berdasarkan nada standart yang telah ditetapkan. Tuning merupakan proses menentukan frekuensi standar dan menyelaraskan frekuensi antar senar pada alat musik berdawai, contohnya gitar. Pada proses ini dilakukan dengan mengatur ketegangan senar melalui pemutar (tuning machine) yang ada di kepala (head) gitar. Tuning standar pada gitar yaitu E-A-D-G-B-E, untuk mendapatkan frekuensi yang standar misalnya A dapat dijadikan patokan sebuah garpu tala A atau dengan alat musik lain. (Ramdhani, 2012). Tuning dengan nada standar ditentukan agar ketika beberapa gitar dimainkan secara bersamaan bunyinya bisa serasi maka dari itu diperlukan sebuah software yang dapat memberikan informasi nada agar dapat memandu seseorang untuk menala setiap snare gitar dengan akurat. Dimana dalam hal ini input suara gitar yang berupa sinyal analog akan diproses untuk mendapatkan informasi frekuensi nada yang nantinya akan menjadi acuan untuk melakukan tuning. Berkaitan dengan proses untuk memperoleh informasi dari suatu sinyal maupun frekuensi maka dibutuhkan suatu metode yang dapat mengekstrak informasi sinyal tersebut. Pada penelitian ini akan mengunakan metode wavelet transform. Transformasi wavelet dalam lingkup signal processing adalah suatu metode untuk mendekomposisi (memisahkan) sinyal masukan yang diinginkan menjadi sebuah bentuk gelombang lain (wavelet). Kemudian akan dilakukan analisis pada sinyal tersebut dengan mengolah koefesien-koefesien wavelet. Karakterisktik daripada wavelet antara lain adalah berosilasi singkat, translasi (pergeseran) dan dilatasi (skala) Discrete
Wavelet
Transform
(DWT)
dianggap
relatif
lebih
mudah
pengimplementasiannya. Prinsip dasar dari DWT adalah bagaimana cara mendapatkan representasi waktu dan skala dari sebuah sinyal menggunakan teknik pemfilteran digital dan operasi sub sampling. Sinyal pertama-tama dilewatkan pada rangkaian high-pass filter dan low-pass filter, kemudian setengah dari masing-masing keluaran diambil sebagai sampel melalui operasi down-sampling. Proses ini disebut sebagai proses dekomposisi satu tingkat.
Keluaran dari low pass filter digunakan sebagai masukan di proses dekomposisi berikutnya. Proses ini diulang sampai tingkat proses dekomposisi yang diinginkan. Gabungan dari keluaran-keluaran high-pass filter dan satu keluaran low pass filter yang terakhir disebut sebagai koefisien wavelet, yang berisi informasi sinyal hasil transformasi yang telah terkompresi. Penjelasan tersebut dapat diwakili oleh diagram berikut:
Gambar 1 Skema DWT (Sumber: Haikal. 2011) Hubungan antara input dan output dapat direpresentasikan sebagai berikut.
.............................(2.2)
Wavelet sesungguhnya sudah ditemukan sejak tahun 1910 oleh seorang matematikawan Jerman bernama Haar. Namun, pada saat itu, keampuhannya dalam pemrosesan signal belum disadari oleh para matematikawan dan pengguna. Keunggulan wavelet Haar baru akan tampak apabila kita berurusan dengan fungsi diskrit tertentu. Haar wavelet dapat direpresentasikan sebagai berikut
.............................(2.3)
dan fungsi skala adalah ................................................(2.4)
Gambar 2 Haar wavelet (Sumber : Wen-Chun Shih) Haar wavelet memiliki beberapa sifat, pertama
dan
dapat mendekati setiap
fungsi nyata terus menerus dengan kombinasi linear pergeseran dan skala, kedua, orthogonality adalah ........................................(2.5)
Ketiga, mother wavelet atau fungsi skala akan memiliki hubungan fungsional jika m adalah berbeda.
.............................(2.6)
Kempat, koefisien skala m +1 dapat menghitung m, jika
......................(2.7)
Maka
.......................(2.8)
Low Pass Filter (LPF) merupakan bentuk filter yang mengambil frekuensi rendah dan membuang frekuensi tinggi. LPF menghasilkan citra blur (lembut/halus). Ciri-ciri dari LPF adalah semua koefisien filter harus positif dan jumlah semua koefisien sama dengan satu. Salah bentuk dari LPF adalah filter rata-rata. (Prihatini, 2010). Dalam matematika, euclidean distance adalah jarak antara dua titik yang dapat diukur dan dihasilkan oleh formula pytagoras. Untuk mengukur ketidak miripan dua data dengan beberapa atribut untuk setiap data digunakan kuantitas jarak (distance). Ada banyak model pengukuran jarak, dan yang paling sering digunakan adalah jarak Euclidean (Bezdek, 1981). Jarak Euclidean memberikan jarak lurus antara dua buah data dengan N dimensi. (
)
‖
‖
√∑
|
| ............................................. 2.1
Metode Penelitian Pada penelitian ini menggunakan metode eksperimen, awalnya untuk mencari database yang nantinya digunakan sebagai acuan penalaan, maka gitar terlebih dahulu ditala menggunakan efek gitar, selanjutnya suara gitar yang sudah tertala akan dicari nilai frekuensinya, nilai frekuensi tersebut yang nantinya akan menjadi database untuk penalaan. Setelah database acuan sudah didapat maka dilanjutkan untuk penelaan gitar yang belum tertala. Pertama-tama suara gitar yang merupakan sinyal analog akan disampling untuk menghasilkan sinyal diskrit, setelah itu nilai diskrit hasil dari sampling tersebut kemudian akan diekstraksi menggunakan metode wavelet transform, keluaran dari low pass filter selanjutnya akan dicari frekuensinya menggunakan MIR ToolBox. Nilai frekuensi tersebut nantinya akan dicocokkan dengan nilai frekuensi acuan menggunakan rumus Euclidean distance, hasil dari perbandingan kedua nilai tersebut menjadi panduan untuk penalaan gitar. HASIL DAN PEMBAHASAN Hasil Pengambilan database Pada tahap ini snare gitar ditala terlebih dahulu menggunakam tuner pada effect gitar, suaranya di input kedalam komputer dengan menggunakan jack yang dicolokan pada komputer, suara gitar ini selanjutnya akan di sampling untuk proses selanjutnya.
Tabel 4.1 Frekuensi Database No
Senar
Nada
Frekuensi
1
Senar 1
E’
659,0493 Hz
2
Senar 2
B
494.6489 Hz
3
Senar 3
G
392,4689 Hz
4
Senar 4
D
292,6624 Hz
5
Senar 5
A
221,8312 Hz
6
Senar 6
E
165,5622 Hz
Sampling Dalam tahap ini sinyal analog yang di input akan di ubah menjadi sinyal diskrit dan kemudian sinyal tersebut dibagi ke beberapa sampel sinyal yang selanjutnya sampel-sampel tersebut akan dianalisa untuk mengambil informasi dari sinyal tersebut, proses ini bertujuan untuk mempermudah dalam pengambilan informasi.
Gambar 4 Sampling Feature extraction Tahap selanjutnya adalah tahap transformasi, dalam tahap ini sinyal yang telah di sampling sebelumnya akan dicari informasi sinyalnya menggunakan teknik transformasi wavelet, untuk ekstraksi sinyal disini menggunakan discrete wavelet transform, sinyal akan dilewatkan pada low pass filter yang merupakan filter pada DWT.
Gambar 5 Plot hasil segmentasi sinyal masukkan Berikut adalah sebagian kecil dari sampel sinyal diskrit yang didapat dari proses sampling dimana x adalah sinyal hasil sampling: x = 0.0319 0.0357 0.0392 0.0414 Kemudian sinyal ini akan diekstraksi menggunakan wavelet transform yang kemudian akan dilewatkan pada rangkaian filter High Pass dan Low Pass yang disebut dengan proses dekomposisi. A0 = [
]
L= [
H= [
] A1 = [
] D1 = [
]
]
Nilai dari A1 adalah hasil aproksimasi dari nilai A0 sedangkan untuk D1 merupakan koefisien detail dari A0 dalam penelitian ini melakukan 1 tingkat dekomposisi dengan mengambil nilai sinyal dari hasil Low Pass Filter. Pencocokan Sinyal Hasil ekstraksi sinyal antara database dengan query kemudian akan dibandingkan menggunakan perhitungan euclidean distance untuk mengukur tingkat kecocokan dari kedua sinyal. Hasil pencocokan itu berupa jarak ED antara sinyal database dan query, sinyal query ini akan dibandingan dengan frekuensi hasil ekstraksi sinyal dari tuning menggunakan feeling dan efek gitar.
Implementasi Sistem
Gambar 6 Diagram rancangan sistem Pembahasan Penelitian ini menerapkan metode wavelet transform dalam mengekstraksi sinyal untuk mendapatkan informasi dalam bentuk frekuensi dengan menggunakan discrete wavelet transform yang merupakan salah satu dari dua bagian wavelet, dimana dalam hal ini untuk proses dekomposisi sinyal dilewatkan pada low pass filter dan keluarannya akan disegmentasi menggunakan MIR toolbox. Dari hasil uji coba, tuning menggunakan feeling jauh dari standar nada gitar yang sebenarnya sedangkan tuning menggunan efek gitar dapat mendekati titik acuan standar gitar dengan jarak rata-rata ED dibawah angka 1, untuk mengetahui keakuratan sistem maka telah dilakukan percobaan tuning sebanyak 20 kali dengan nada senar gitar yang sama, hasilnya rata-rata ED dibawah angka 1 dan terdapat 1 kali tuning yang mencapai angka 2, dapat diasumsikan aplikasi akurat dalam melakukan tuning. Adanya noise pada saat penalaan dapat mempengaruhi hasil ekstraksi sinyal, noise dapat berasal dari aliran listrik yang berlebihan, kualitas sound card yang kurang baik, dan jack gitar yang buruk. Untuk toleransi nada digunakan ½ nada karena jarak antara nada yang
paling dekat adalah setengah, ini mengacu pada jarak standar nada mayor yaitu 1 - 1 – ½ - 1 – 1 – 1 – ½ , tetapi untuk jarak ED ditoleransi 1 angka karena untuk penalaan akan dicari frekuensi terdekat dengan titik acuan. Nada gitar dimulai dari E3 yang merupakan nada senar 6 dengan melangkahi 2 oktav nada sampai pada E5 sebagai nada senar 1, makin tinggi nada yang dihasilkan gitar maka makin tinggi pula hasil frekuensinya begitu juga sebaliknya, sehingga dapat diasumsikan nilai frekuensi sinyal ditentukan oleh tinggi rendahnya nada. KESIMPULAN Dari hasil penelitian yang telah dilakukan maka dapat ditarik kesimpulan sebagi berikut: 1. Dengan adanya aplikasi ini kesulitan yang sering dialami pengguna gitar dalam melakukan penalaan dapat teratasi, sebab aplikasi ini dapat memandu pengguna melakukan tuning sesuai dengan standar nada gitar. 2. Hasil dari penelitian ini menunjukan bahwa metode wavelet transform dapat diterapkan dalam penalaan gitar, terlihat dari hasil uji coba 20 kali penalaan dengan nada yang sama menunjukan 19 kali akurat dan 1 kali kurang akurat. 3. Proses penalaan gitar menggunakan feeling dapat dimainkan tetapi jauh dari standar nada yang ditentukan, terlihat dari jarak ED yang jauh dari titik 0. 4. Nilai frekuensi dipengaruhi oleh tinggi rendahnya nada gitar. Semakin tinggi nada gitar maka semakin tinggi pula nilai frekuensi sinyal begitu pula sebaliknya. 5. Noise dari hasil penginputan suara dapat mempengaruhi hasil penalaan, noise sendiri dapan muncul dari beberapa faktor yaitu, arus listrik, kualitas sound card, kualitas jack, dan lingkungan sekitar penalaan. 6. Dalam proses penalaan nilai frekuensi hasil ekstraksi tidak selalu sama meskipun nada yang dimasukan sama hanya saja nilainya yang tidak jauh dari acuan. 7. Nada gitar dimulai dari E3 yang merupakan nada senar 6 melewati 2 oktav nada sampai E5 sebagai senar 1.
SARAN 1.
Sebelum melakukan penalaan pada senar sebaiknya pengguna dapat mendengarkan nada guide pada tombol senar yang disediakan, selain dapat membantu dalam penalaan pengguna juga dapat belajar mengenali nada gitar
2.
Untuk penalaan yang baik sebaiknya dapat diperhatikan sumber noise seperti arus listrik, kwalitas sound card, kualitas jack, dan lingkungan sekitar penalaan.
3.
Aplikasi ini dapat dikembangkan pada perangkat mobile agar dapat lebih mudah untuk digunakan dimana saja.
DAFTAR PUSTAKA Prasetyo, E. 2012.Data Mining. Yogyakarta : Andi. Prihatini, T.A.2010. Analisis Dan Implementasi Low Pass Filter Untuk Mereduksi Noise Pada Citra Digital. [Skripsi] diterbitkan. Medan : Universitas Sumatra Utara. (http://repository.usu.ac.id/handle/123456789/25705, diakses 4 januar 2013). Ramdhani, G. 2012. Mahir Bermain Gitar Secara Otodidak. Jakarta: Laskar Aksara. Silalahi, I. dan Saragih, R.A. 2010. Analisa Multiwavelet untuk Kompresi Suara. Electrical Engineering Journal, (online), Vol 10. No.1. (http://webcache.googleusercontent.com/search?q=cache:kkGMVM3_on4J:majour.m aranatha.edu/index.php/jurnal-teknik-elektro/article/view/357/pdf+ &cd=1&hl=en & ct=clnk, diakses 4 januari 2014). Wen-Chun Shih._____. Time Frequency Analysis and Wavelet Transform Tutorial Wavelet for Music Signal Analysis. (http://webcache.googleusercontent.com/search q=cach e: b1YbcYiJOkUJ:djj.ee.ntu.edu.tw/Tutorial_Wavelet%2520for%2520Music%2520Sig nal%2520Analysis%2520_2.pdf+&cd=1&hl=en&ct=clnk, diakses 4 januari 2014).
