IDENTIFIKASI NADA DASAR DALAM TANGGA NADA PENTATONIS PADA GITAR MENGGUNAKAN MODEL LVQ
TRI PUGUH SANTOSO
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Nada Dasar dalam Tangga Nada Pentatonis pada Gitar Menggunakan Model LVQ adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, April 2015 Tri Puguh Santoso NIM G64124014
ABSTRAK TRI PUGUH SANTOSO. Identifikasi Nada Dasar dalam Tangga Nada Pentatonis pada Gitar menggunakan Model LVQ. Dibimbing oleh AZIZ KUSTIYO. Melodi merupakan hal yang tidak dapat terpisahkan dalam komposisi sebuah lagu atau musik instrumental. Agar melodi dapat dimainkan dengan harmonis diperlukan pengetahuan akan nada dasar dalam tangga nada pada lagu atau musik instrumental yang akan dimainkan, namun hal ini akan sangat sulit bagi seorang pemula. Tujuan penelitian ini adalah mengidentifikasi nada dasar dari melodi yang dipetik sebanyak lima kali secara berurutan dalam tangga nada pentatonis dan menerapkan ekstraksi ciri mel-frequency cepstrum coefficient (MFCC) dan model learning vector quantization (LVQ) sebagai classifier. Dalam penelitian ini dilakukan dua tahap pengujian, tahap pertama mengenali nada tunggal dengan model LVQ setelah data suara melodi disegmentasi dan diekstraksi cirinya menggunakan MFCC, tahap kedua mengidentifikasi nada dasar menggunakan algoritme template matching berdasarkan nada yang telah dikenali pada pengujian tahap pertama. Hasil akurasi rata-rata terbaik pada penelitian ini sebesar 100% dengan nilai koefisien cepstral 26. Kata kunci: gitar, learning vector quantization, mel-frequency cepstrum coefficient, melodi, pentatonis
ABSTRACT TRI PUGUH SANTOSO. Pentatonic Root Scale Identification on Guitar Using LVQ Model. Supervised by AZIZ KUSTIYO. Melodies are inseparable things inside a song or instrumental music composition. In order to produce a harmonious melody, knowledge of scale and its root on a song or instrumental music are required. The objective of this research was to identify a melody plucked five times in a row in pentatonic scale, and apply mel-frequency cepstrum coefficient (MFCC) feature extraction and learning vector quantization (LVQ) model as classifier. There were two test phases in this research, the first phase was single tone recognition using LVQ classification model after melodies voice data was segmented and extracted using MFCC. The second phase identified the root scale using template matching algorithm based on tones that had been identified in the first phase. The best accuracy average result in this research was 100% based on 26 cepstral coefficients. Keywords: guitar, learning vector quantization, mel-frequency cepstrum coefficient, melody, pentatonic
IDENTIFIKASI NADA DASAR DALAM TANGGA NADA PENTATONIS PADA GITAR MENGGUNAKAN MODEL LVQ
TRI PUGUH SANTOSO
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
Penguji: 1 Dr Wisnu Ananta Kusuma, ST, MT 2 Toto Haryanto, SKom, MSi
Judul Skripsi : Identifikasi Nada Dasar dalam Tangga Nada Pentatonis pada Gitar Menggunakan Model LVQ Nama : Tri Puguh Santoso NIM : G64124014
Disetujui oleh
Aziz Kustiyo, SSi, MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Alhamdulillah, atas izin dan rahmat dari Alloh Subhanahu Wa Taโala penulis dapat menyelesaikan tugas akhir dengan judul Identifikasi Nada Dasar dalam Tangga Nada Pentatonis pada Gitar menggunakan Model LVQ. Penulis mengucapkan terima kasih kepada kedua orang tua dan seluruh keluarga yang selalu mendoโakan dan memotivasi penulis dalam pengerjaan tugas akhir ini. Di samping itu, ucapan terima kasih juga penulis ucapkan kepada dosen pemimbing Bapak Aziz Kustiyo, SSi MKom atas doโa, waktu, ilmu, kesabaran, nasihat, dan saran yang selalu diberikan selama pengerjaan tugas akhir ini. Bapak Dr Wisnu Ananta Kusuma, ST MT dan Bapak Toto Haryanto, SKom MSi selaku penguji atas waktu, ilmu, dan sarannya. Teman-teman satu bimbingan, temanteman alih jenis Ilmu Komputer angkatan 7 dan angkatan 6 atas kebersamaan, dukungan dan bantuannya. Serta semua pihak yang telah ikut serta membantu penulis dalam menyelesaikan tugas akhir ini. Semoga karya ilmiah ini dapat memberikan manfaat.
Bogor, April 2015 Tri Puguh Santoso
DAFTAR ISI DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
3
Data Penelitian
3
Tahapan Penelitian
3
Studi Pustaka
4
Pengambilan Data Nada Gitar
4
Praproses
4
HASIL DAN PEMBAHASAN Parameter Percobaan
9 9
Pengambilan Nada pada Gitar
10
Praproses
10
Hasil Percobaan
10
Analisis Hasil Percobaan
12
SIMPULAN DAN SARAN
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
RIWAYAT HIDUP
20
DAFTAR TABEL 1 2 3
Set nada dalam tangga nada pentatonis Parameter percobaan Hasil pengenalan nada dasar pada learning rate 0.005
8 9 11
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11
Nada yang diambil pada fretboard Tahapan penelitian Alur praproses Alur segmentasi sinyal suara Alur proses ekstraksi sinyal suara dengan MFCC Arsitektur LVQ (Fausset 1994) dengan neuron input 13 Ilustrasi pengambilan nada pada gitar Akurasi rata-rata pada koefisien cepstral 13 Visualisasi data latih vektor ciri ke-1 Visualisasi data latih vektor ciri ke-13 Visualisasi data latih vektor ciri ke-24
3 3 4 5 5 7 10 11 12 13 13
DAFTAR LAMPIRAN 1 Tabel kombinasi melodi pada data uji 2 Vektor ciri data latih
15 17
1
PENDAHULUAN Latar Belakang Melodi merupakan hal yang tidak dapat terpisahkan dalam komposisi sebuah lagu atau musik instrumental, agar melodi dapat dimainkan dengan harmonis diperlukan pengetahuan akan nada dasar pada tangga nada yang dimainkan dalam sebuah lagu atau musik instrumental. Nada dasar adalah not dasar yang terdapat dalam sebuah tangga nada. Tangga nada merupakan penataan secara berurutan not-not yang menjadi materi dasar melodi untuk sebuah komposisi (Kristianto 2005). Terdapat beberapa jenis tangga nada yang sering digunakan dalam komposisi sebuah lagu atau musik instrumental, salah satunya adalah tangga nada pentatonis. Tangga nada pentatonis banyak digunakan untuk lagu-lagu rakyat atau tradisional di Asia, Afrika, maupun di sebagian Eropa. Tangga nada pentatonis juga banyak digunakan dalam musik rock, pop, blues, dan jazz. Disebut pentatonis karena hanya mengandung lima not. Tangga nada pentatonis hampir sama dengan tangga nada mayor dan minor natural, hanya saja ada dua nada yang dihilangkan dari kedua tangga nada tersebut. Tangga nada pentatonis memiliki dua jenis skala yaitu skala pentatonis major dan skala pentatonis minor. Tangga nada pentatonis dapat dimainkan pada alat musik tiup maupun petik. Salah satu alat musik petik yang sering digunakan dalam tangga nada pentatonis adalah gitar. Gitar merupakan alat musik petik yang sangat populer dan sering digunakan sebagai instrumen pengisi rhythm dan melodi dalam lagu. Bagi mereka yang sudah piawai memainkan gitar tentu dapat dengan mudah mengetahui nada dasar dari melodi yang didengarnya, namun bagi pemula tentunya hal tersebut akan sangat sulit untuk dilakukan. Karena seorang pemula pada umumnya belum mampu mengenali dengan baik nada yang dimainkan oleh orang lain. Di samping itu pada tangga nada pentatonis terdapat 24 nada dasar. Setiap nada dasar tersusun atas 5 nada tunggal, sehingga untuk setiap nada dasar terdapat sebanyak 5! (120) kemungkinan urutan nada-nada tersebut. Penelitian sebelumnya yang terkait dengan pengenalan nada pada gitar pernah dilakukan oleh Haryono (2013) dan Budiarto (2014). Haryono (2013) melakukan identifikasi chord gitar menggunakan teknik mel-frequency cepstrum coefficient (MFCC) dan metode codebook dengan akurasi sebesar 98.89%. Sedangkan Budiarto (2014) melakukan identifikasi chord gitar dengan menggunakan teknik (MFCC) dan metode learning vector quantization (LVQ) menghasilkan akurasi sebesar 83.65%. Kedua penelitian tersebut masih memiliki keterbatasan yaitu hanya mampu mengenali dua chord dari gitar yang dimainkan, sehingga belum dapat mengidentifikasi nada dasarnya. Pada penelitian ini akan dilakukan identifikasi nada dasar berdasarkan 5 nada yang dipetik secara berurutan dengan menggunakan ekstraksi ciri MFCC, metode LVQ, dan algoritme template matching.
2 Perumusan Masalah Berdasarkan latar belakang di atas, maka perumusan masalah dalam penelitian ini adalah bagaimana melakukan segmentasi nada yang dimainkan lalu dilakukan identifikasi nada dasar dari tangga nada pentatonis yang dimainkan dalam melodi tersebut menggunakan teknik MFCC sebagai pengenalan ciri, model LVQ sebagai classifier dan algoritme template matching untuk identifikasi nada dasar dalam tangga nada pentatonis.
Tujuan Penelitian Tujuan dari penelitian ini adalah: 1 Melakukan segmentasi nada secara otomatis. 2 Mengimplementasikan teknik ekstraksi ciri MFCC dan metode LVQ untuk pengenalan nada-nada dalam melodi dan algoritme template matching untuk identifikasi nada dasar dari melodi yang dimainkan dengan gitar dalam tangga nada pentatonis. 3 Mengetahui akurasi dari hasil identifikasi nada dasar.
Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat memberikan informasi mengenai nada dasar dari melodi yang dimainkan menggunakan tangga nada pentatonis, sehingga dapat membantu masyarakat awam dan pemula yang baru belajar bermain musik.
Ruang Lingkup Penelitian Ruang lingkup dari penelitian ini, yaitu: Gitar yang digunakan adalah gitar akustik dengan senar string. Gitar yang digunakan menggunakan standar tunning. Data suara gitar yang digunakan sepanjang satu oktaf. Tangga nada yang digunakan dalam identifikasi adalah tangga nada pentatonis. Melodi yang dimainkan berisi lima not yang berbeda yang dimainkan secara berurutan dengan 12 kombinasi melodi untuk setiap kelas nada dasar. 6 Birama yang digunakan adalah 4/4 dengan tempo 130 beats per minute, 160 beats per minute, 190 beats per minute, dan 220 beats per minute. 7 Hasil identifikasi meliputi 3 kategori yaitu, benar (teridentifikasi pentatonis dengan nada dasar yang sesuai), salah (teridentifikasi pentatonis namun nada dasar tidak sesuai), bukan pentaonis (teridentifikasi bukan sebagai tangga nada pentatonis).
1 2 3 4 5
3
METODE Data Penelitian Data yang digunakan dalam penelitian ini adalah 12 nada pada oktaf C kedua yang dimainkan dengan cara dipetik menggunakan pick lalu direkam dengan sampling rate 11025Hz dalam bentuk file berekstensi WAV, 12 nada yang digunakan yaitu C, C#, D, D#, E, F, F#, G, G#, A, A#, dan B.
Gambar 1 Nada yang diambil pada fretboard Tahapan Penelitian Tahapan-tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 2.
Gambar 2 Tahapan penelitian
4 Studi Pustaka Pada tahap ini, kegiatan yang dilakukan adalah pencarian dan pembelajaran tentang apa yang diberkaitan dengan penelitian ini. Hal-hal yang dipelajari antara lain tentang tangga nada pentatonis, ekstraksi ciri dengan MFCC, metode klasifikasi LVQ dan algoritme template matching, serta teori yang terkait dengan pemrosesan dan pengenalan suara. Pengambilan Data Nada Gitar Setiap nada direkam dengan pengulangan sebanyak 60 kali sehingga data yang terkumpul sebanyak 720 data suara, 600 data suara dijadikan data latih, 12 data suara dijadikan data bobot awal dan 108 data suara sebagai data uji percobaan pengujian nada tunggal. Untuk pengenalan nada dasar, data uji direkam sebanyak 12 kombinasi berbeda dari 5 nada yang menyusun setiap kelas nada dasar sehingga terkumpul 144 data uji. Birama yang digunakan untuk pengenalan nada dasar adalah 4/4 dengan tempo 130 beats per minute, 160 beats per minute, 190 beats per minute, dan 220 beats per minute. Praproses Tahapan ini mengolah setiap data suara yang telah direkam. Alur dari tahapan ini dapat dilihat pada Gambar 3. Pada tahap normalisasi setiap data suara tersebut dibagi dengan nilai maksimumnya sehingga data suara memiliki nilai mendekati maksimum 1 atau minimal -1. Tahap praproses selanjutnya adalah segmentasi, pada tahap ini sinyal akan dibagi menjadi lima sinyal terpisah. Selanjutnya adalah ekstraksi ciri sinyal suara menggunakan MFCC. MFCC merupakan teknik ekstraksi ciri sinyal suara yang paling dikenal dan populer (Do 1994). Tujuan dilakukan ekstraksi ciri adalah mentransformasikan sinyal suara ke dalam vektor-vektor ciri, yang pada setiap vektornya merepresentasikan informasi yang terdapat pada beberapa frame.
Gambar 3 Alur praproses Segmentasi Sinyal Suara Pada tahap ini dilakukan frame blocking terhadap sinyal suara yang telah dinormalisasi dengan panjang frame yang telah ditentukan sebelumnya. Kemudian, jika nilai sinyal suara pada frame memenuhi kondisi nilai maksimum > 0.15 atau
5 nilai minimum < 0.15 maka frame tersebut akan disimpan, selainnya akan diabaikan. Perulangan ini berlangsung sesuai dengan jumlah frame pada data uji. Segmentasi sinyal suara hanya diterapkan pada data uji. Alur segmentasi sinyal suara dapat dilihat pada Gambar 4.
Gambar 4 Alur segmentasi sinyal suara Ekstraksi Ciri MFCC Pada tahap ini akan dilakukan ekstraksi ciri sinyal suara yang telah disegmentasi dengan menggunakan MFCC. Dalam MFCC terdapat beberapa tahap dalam melakukan ekstraksi ciri. Alur proses MFCC dapat dilihat pada Gambar 5.
Gambar 5 Alur proses ekstraksi sinyal suara dengan MFCC
6 Frame Blocking Dalam tahap ini sinyal suara akan dibagi ke dalam blok-blok frame. Frame yang bersebelahan akan saling overlap. Hal ini bertujuan agar tidak ada informasi yang hilang pada saat proses windowing. Windowing Pada tahap ini setiap blok frame akan dilakukan windowing dengan fungsi hamming window. Proses windowing ini bertujuan meminimalisasi ketidakberlanjutan sinyal pada awal dan akhir setiap frame (Do 1994). Berikut ini adalah persamaan yang digunakan dalam proses windowing: 2๐๐
๐ค(๐) = 0.54 โ 0.46 cos (๐โ1) , 0 โค ๐ โค ๐ โ 1 (1) ๐ฆ๐ (๐) = ๐ฅ๐ (๐)๐ค(๐), 0 โค ๐ โค ๐ โ 1
(2)
Keterangan: N = jumlah sampel pada setiap frame n = indeks ke-โฆ w = nilai hamming window ke-n ๐ฆ๐ = hasil windowing ke-n ๐ฅ๐ = nilai data ke-n Fast Fourier Transformation (FFT) Pada tahap ini setiap blok frame sinyal suara dikonversi dari domain waktu ke domain frekuensi untuk mendapatkan magnitude frequency response. FFT perlu dilakukan agar mempermudah dalam proses selanjutnya. FFT merupakan algoritme yang cepat dalam mengimplementasikan Discrete Fourier Transform (DFT) (Do 1994). ๐โ1
2๐๐๐ 2๐๐๐ ๐๐ = โ ๐ฅ๐ (cos ( ) โ ๐ sin ( )) ๐ ๐
(3)
๐=0
Keterangan: N = jumlah sampel pada setiap frame ๐ฅ๐ = nilai-nilai sampel Xn = magnitude frekuensi j = bilangan imajiner Mel-frequency Wrapping Pada proses ini akan dilakukan filtering pada setiap blok frame hasil dari FFT. Filtering dilakukan dengan cara mengalikan setiap magnitude frequency response dalam blok frame dengan filterbank untuk mendapatkan log energy dari setiap filterbank. ๐โ1
๐๐ = ๐๐๐10 (โ |๐(๐)|๐ป๐ (๐)) , ๐ = 1,2,3, โฆ , ๐ ๐=0
Keterangan: Hi (k) = nilai filter segitiga ke-i
(4)
7 X(k) = nilai data ke-k hasil FFT M = jumlah filter N = banyaknya data Cepstrum Tahap ini melakukan konversi hasil mel-frequency ke domain waktu dengan menggunakan Discrete Fourier Transform (DCT). Berikut adalah persamaan yang digunakan dalam DCT. ๐
๐ ๐ถ๐ = โ ๐๐ cos (๐(๐ โ 1)2 ( )) ๐
(5)
๐=0
Keterangan: Cj = nilai koefisien C ke-j j = jumlah koefisien cepstral i = jumlah wrapping Xi = hasil mel-frequency pada frekuensi ke-i Pelatihan dan Pengujian Model LVQ Learning vector quantization (LVQ) merupakan metode klasifikasi pola, setiap neuron output pada LVQ mewakili kelas atau kategori tertentu. LVQ mempunyai vektor bobot disetiap neuron output. Selama proses training, LVQ melakukan update pada setiap vektor bobot dari neuron yang mewakili tiap kelas. Setelah proses training selesai, akan dilakukan klasifikasi pada neuron input sesuai dengan bobot akhir hasil training (Fausett 1994). Terdapat dua arsitektur LVQ dalam penelitian ini, yaitu arsitektur dengan neuron input 13 dan neuron input 26. Arsitektur dengan neuron input 13 dapat dilihat pada Gambar 6.
Gambar 6 Arsitektur LVQ (Fausset 1994) dengan neuron input 13 x T wj Cj
Berikut adalah algoritme dari model LVQ menurut Fausett (1994): = Vektor training(x1, โฆ, xi, โฆ, x) = Kelas yang benar (acuan) untuk vektor training = Vektor bobot untuk neuron output ke-j (w1j, โฆ,wij, โฆ,wj) = Kelas dari neuron output ke-j
8 ||x - wj|| = Jarak euclidean antara neuron input dengan vektor bobot untuk neuron output ke-j 1 Inisialisasi vektor bobot awal dan learning rate ฮฑ 2 Jika kondisi berhenti belum terpenuhi, lakukan tahap 3-6. 3 Untuk setiap vektor training x, lakukan tahap 4-5. 4 Temukan j hingga ||x โ wj|| didapat nilai minimum. 5 Update vektor bobot dengan cara berikut: Jika T = Cj maka wj(new) = wj(old) + ฮฑ [x โ wj(old)]; Jika T โ Cj maka wj(new) = wj(old) - ฮฑ [x โ wj(old)]; 6 Perbarui learning rate ฮฑ. 7 Cek kondisi berhenti. Pengujian dilakukan dari data uji yang telah diekstraksi ciri menggunakan MFCC kemudian diklasifikasi dengan model LVQ menggunakan bobot dari hasil training LVQ data latihnya. Setiap nada gitar yang diuji akan diklasifikasikan kekelas yang sesuai. Identifikasi Nada Dasar Pada Tahap ini dilakukan identifikasi nada dasar berdasarkan kombinasi nada hasil klasifikasi yang terdapat pada data uji. Dalam tangga nada pentatonis setiap tangga nada memiliki pola atau susunan nada yang berbeda, sehingga diperlukan kondisi atau syarat yang berbeda untuk identifikasi tiap tangga nada. Pada penelitian ini identifikasi nada dasar dilakukan dengan menggunakan algoritme template matching. Algoritme template matching sebelumnya pernah digunakan oleh Lee (2006) untuk pengenalan chord gitar dengan menggunakan 12-dimensional template. Setiap biner pada 12-dimensional template dapat disamakan dengan pitch class dalam chromatic scale. Dalam penelitian ini template telah dibuat sebelumnya dengan set nada yang berbeda untuk setiap nada dasar dalam tangga nada pentatonis seperti pada Tabel 1. Tabel 1 Set nada dalam tangga nada pentatonis Tangga Nada Pentatonis C Major/A Minor C# Major/A# Minor D Major/B Minor D# Major/C Minor E Major/C# Minor F Major/D Minor F# Major/D# Minor G Major/E Minor G# Major/F Minor A Major/F# Minor A# Major/G Minor B Major/G# Minor
C C# D D# E F F# G G# A A# B
Set Nada D E G D# F G# E F# A F G A# F# G# B G A C G# A# C# A B D A# C D# B C# E C D F C# D# F#
A A# B C C# D D# E F F# G G#
9 Pada tahap identifikasi nada dasar digunakan relative key untuk mempermudah dalam mengidentifikasi tangga nada. Relative key merupakan tangga nada major dan minor yang memiliki kesamaan jumlah key signature. Pada tangga nada C major dan A minor pentatonis memiliki kesamaan set nada, sehingga akan membentuk template yang sama. Lingkungan Pengembangan Penelitian ini dilakukan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut: Perangkat keras: ๏ท Intelยฎ Coreโข i5 CPU 2.53 GHz ๏ท RAM 2 GB ๏ท Monitor ๏ท Harddisk 500 GB ๏ท Mouse dan keyboard ๏ท Gitar Akustik Elektrik ๏ท Kabel Jack Mono ๏ท Guitar Link ๏ท Tuner dan ketronome Perangkat lunak: ๏ท Sistem operasi Windows 8.1 Pro 32 bit ๏ท MATLAB 8.1 (R2013a) ๏ท Audacity 2.0.5
HASIL DAN PEMBAHASAN Parameter Percobaan Pada penelitian ini terdapat beberapa parameter yang digunakan dalam percobaan, parameter percobaan tersebut meliputi segmentasi sinyal suara, LVQ, dan MFCC. Tabel 2 Parameter percobaan Parameter Nilai Time frame 0.1 s Segmentasi Batas atas amplitudo 0.15 Sinyal Suara Batas bawah amplitudo -0.15 Neuron input 13 dan 26 Neuron output 12 LVQ Learning rate 0.001, 0.002, 0.003, 0.004, 0.005 Epoch 150 Pengurangan learning rate 0.9 Time frame 0.023 s Overlap 0.39 MFCC Sampling rate 11025 Hz Jumlah koefisien cepstral 13 dan 26
10 Berdasarkan Tabel 2 nilai time frame pada segmentasi sinyal suara lebih besar dibandingkan dengan nilai time frame pada MFCC. Perbedaan nilai tersebut sengaja dilakukan karena dengan blok frame yang lebih lebar maka komputasi dalam segmentasi sinyal suara akan lebih cepat. Pengambilan Nada pada Gitar Nada pada gitar direkam dengan bantuan guitar link melalui perangkat lunak Audacity. Untuk data latih, setiap nada direkam selama 2 detik dengan cara dipetik menggunakan pick lalu disimpan ke dalam file berekstensi WAV, sedangkan untuk durasi rekam data uji direkam berdasarkan tempo yang digunakan. Tempo yang digunakan dalam data uji adalah 130 beats per minute, 160 beats per minute, 190 beats per minute, dan 220 beats per minute. Detail urutan nada dalam data uji dapat dilihat pada Lampiran 1. Data uji merupakan melodi dengan 5 kombinasi nada yang dipetik secara berurutan, terdapat 12 data suara atau file data uji untuk setiap kelas nada dengan diberikan tempo yang berbeda pada setiap 3 file. Pada Gambar 7 disajikan ilustrasi pengambilan nada pada gitar.
Notebook Gitar Guitar Link
Gambar 7 Ilustrasi pengambilan nada pada gitar Praproses Pada tahap awal praproses, data suara dinormalisasi dengan cara membagi semua nilai nada dengan nilai maksimum dari absolut nilai nada. Kemudian, pada data uji akan dilakukan segmentasi. Setelah itu, pada setiap data suara hasil segmentasi dilakukan ekstraksi ciri dengan menggunakan MFCC. Proses ekstraksi ciri dengan MFCC ini dilakukan dengan menggunakan fungsi auditory toolbox Matlab. Hasil Percobaan Penelitian ini memiliki hasil percobaan yang variatif pada nilai koefisien cepstral 13. Hasil akurasi rata-rata dengan nilai learning rate 0.001, 0.002, 0.003, 0.004 dan 0.005 menunjukan bahwa dengan nilai koefisien cepstral 13 identifikasi nada dasar dalam tangga pentatonis belum dapat menunjukan hasil yang baik.
11 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0%
Benar Salah Bukan Pentatonis
0.001
0.002
0.003
0.004
0.005
learning rate Gambar 8 Akurasi rata-rata identifikasi nada dasar pada koefisien cepstral 13 Pada Gambar 8 disajikan akurasi rata-rata identifikasi nada dasar pada koefisien cepstral 13. Pada Gambar 8 dapat dilihat bahwa akurasi rata-rata tertinggi untuk kategori benar adalah 6.94% yang terdapat pada nilai learning rate 0.005. Jika dicermati terjadi peningkatan akurasi pada kategori benar seiring dengan bertambahnya nilai learning rate. Namun sebagian besar hasil identifikasi masih masuk ke dalam kategori bukan pentatonis. Penyebab kesalahan identifikasi nada dasar tersebut adalah kurang beragamnya nilai vektor pada koefisien cepstral 13 yang menyebabkan kesalahan pengenalan nada tunggal pada tahap klasifikasi dengan LVQ. Tabel 3 Hasil pengenalan nada dasar pada learning rate 0.005 Kelas Nada Dasar Prediksi D# E F F# G G# 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0
Kelas Nada Dasar Aktual
C C# D C 5 0 0 C# 0 0 0 D 0 0 0 D# 3 0 0 E 0 0 0 F 4 0 0 F# 0 0 0 G 2 0 0 G# 7 0 0 A 0 0 0 A# 7 0 0 B 0 0 0 Keterangan: BN = Benar SL = Salah BP = Bukan Pentatonis
A A# B 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0
Jumlah Prediksi BN SL BP 5 0 7 0 0 12 0 0 12 0 4 8 0 0 12 0 4 8 0 0 12 3 2 7 0 9 3 2 0 10 0 12 0 0 0 12
12 Pada Tabel 3 disajikan hasil identifikasi nada dasar pada nilai learning rate 0.005. Kelas nada dasar yang memiliki hasil identifikasi nada dasar dengan kategori benar terdapat pada kelas nada C major/A minor, G major/E minor, dan A major/F# minor. Kelas nada dasar yang memiliki hasil identifikasi nada dasar dengan kategori salah terdapat pada kelas nada dasar D# major/F# minor, F major/D minor, G major/E minor, G# major/F minor, dan A# major/G minor. Sedangkan untuk kelas nada dasar yang memiliki hasil identifikasi nada dasar dengan kategori bukan pentatonis terdapat pada seluruh kelas nada kecuali pada kelas nada dasar A# major/G minor. Berdasarkan Tabel 3 jumlah data uji yang diidentifikasi ke dalam kategori benar adalah 10 data uji. Data uji yang diidentifikasi ke dalam kategori salah berjumlah 31 data uji, sedangkan yang diidentifikasi ke dalam kategori bukan pentatonis berjumlah 103 data uji. Pada hasil percobaan dengan nilai koefisien cepstral 26 memiliki hasil akurasi 100% untuk semua nilai learning rate, hasil ini sangat jauh berbeda jika dibandingkan dengan hasil akurasi yang didapat dari nilai koefisien cepstral 13. Analisis Hasil Percobaan Berdasarkan hasil percobaan pada penelitian ini didapatkan hasil akurasi yang jauh berbeda antara nilai koefisien cepstral 13 dengan nilai koefisien cepstral 26, dengan menggunakan nilai koefisien cepstral 13 hasil identifikasi data uji yang berhasil diidentifikasi dengan benar hanya memiliki akurasi rata-rata < 5%, sangat berbeda dengan hasil identifikasi data uji dengan nilai koefisien cepstral 26 yang memiliki akurasi rata-rata 100% untuk setiap nilai learning rate. Kesalahan yang terjadi dalam klasifikasi nada pada nilai koefisien cepstral 13 disebabkan oleh kedekatan nilai pada vektor ciri setiap kelas nada mulai dari vektor ciri ke-1 sampai ke-13. Pada penelitian ini mulai dari vektor ciri ke-1 sampai dengan vektor ciri ke-6 semua kelas nada memiliki sebaran menyerupai vektor ciri ke-1 seperti yang disajikan pada Gambar 9.
Gambar 9 Visualisasi data latih vektor ciri ke-1 Pada vektor ciri ke-7 sampai dengan vektor ciri ke-17 terjadi sedikit perubahan sebaran dalam vektor ciri data latih, kemiripan vektor ciri kali ini terdapat pada kelas nada yang berdekatan, sehingga memiliki sebaran meyerupai vektor ciri ke-13 seperti pada Gambar 10.
13
Gambar 10 Visualisasi data latih vektor ciri ke-13 Untuk vektor ciri ke-18 sampai dengan vektor ciri ke-26 sebaran data mulai beragam meski masih terdapat nilai yang berdekatan, sebaran data menyerupai vektor ciri ke-24 yang disajikan pada Gambar 11. Untuk lebih lengkapnya, keseluruhan visualisasi vektor ciri pada data latih dapat dilihat pada Lampiran 2.
Gambar 11 Visualisasi data latih vektor ciri ke-24
SIMPULAN DAN SARAN Simpulan Berdasarkan penelitian yang telah dilakukan, dapat disimpulkan: 1 Penelitian ini berhasil menerapkan segmentasi melodi secara otomatis. 2 Penelitian ini berhasil menerapkan LVQ sebagai metode klasifikasi dan MFCC sebagai teknik ekstraksi ciri dalam pengenalan nada dan algoritme template matching untuk identifikasi nada dasar dalam tangga nada pentatonis pada gitar. 3 Pada nilai koefisien cepstral 13 akurasi tertinggi adalah 6.94%, sedangkan pada nilai koefisien cesptral 26 akurasi tertinggi yang dihasilkan adalah 100%. Saran Saran yang dapat diberikan untuk penelitian selanjutnya yaitu, mencoba identifikasi nada dasar dengan panjang melodi, birama dan tempo yang berbeda.
14
DAFTAR PUSTAKA Budiarto A. 2014. Penerapan LVQ dengan inisialisasi K-Means untuk pengenalan nada gitar dengan ekstraksi ciri MFCC [skripsi]. Bogor (ID): Institut Pertanian Bogor. Do MN. 1994. Digital signal processing mini-project: an automatic recognition system [Internet]. [diunduh 2014 Jun 5]. Tersedia pada: http://minhdo.ece.illinois.edu/teaching/speaker_recognition. Fausett L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. New Jersey (US): Prentice Hall. Haryono T. 2013. Pengembangan model codebook untuk identifikasi chord gitar [skripsi]. Bogor (ID): Institut Pertanian Bogor. Kristianto J. 2005. Gitarpedia: Buku Pintar Gitaris. Jakarta (ID): PT.Gramedia Pustaka Utama. Lee K. 2006. Automatic chord recognition from audio using enhanced pitch class profile. Di dalam: Proceedings of the 2006 International Computer Music Conference; 2006 November 6-11, New Orleans, California. San Francisco (US): International Computer Music Association. hlm 306-313.
15
Lampiran 1 Tabel kombinasi melodi pada data uji Urutan Data Uji
Kombinasi Melodi C major / A minor
C# major / A# minor
D major / B minor
D# major / C minor
E major / C# minor
F major / D minor
1
A
G
E
D
C
C#
D#
F
G#
A#
B
A
F#
E
D
D#
F
G
A#
C
E
F#
G#
B
C#
F
G
A
C
D
2
C
D
E
G
A
A#
G#
F
D#
C#
D
E
F#
A
B
C
A#
G
F
D#
C#
B
G#
F#
E
D
C
A
G
F
3
D
E
A
G
C
D#
F
A#
G#
C#
E
F#
B
A
D
F
G
C
A#
D#
F#
G#
C#
B
E
G
A
D
C
F
4
E
D
C
G
A
F
D#
C#
G#
A#
F#
E
D
A
B
G
F
D#
A#
C
G#
F#
E
B
C#
A
G
F
C
D
5
G
A
E
C
D
G#
A#
F
C#
D#
A
B
E
F#
D
A#
C
F
G
D#
B
C#
F#
G#
E
C
D
G
A
F
6
A
E
G
C
D
C#
D#
F
A#
G#
D
E
F#
B
A
D#
F
G
C
A#
E
F#
G#
C#
B
F
G
A
D
C
7
C
D
E
A
G
A#
F
G#
C#
D#
E
D
F#
A
B
F
D#
G
A#
C
F#
E
G#
B
C#
G
F
A
C
D
8
D
C
E
G
A
D#
C#
F
G#
A#
D
E
A
B
F#
D#
F
A#
C
G
E
F#
B
C#
G#
F
G
C
D
A
9
C
D
G
A
E
C#
D#
G#
A#
F
B
F#
A
D
E
C
G
A#
D#
F
C#
G#
B
E
F#
D
A
C
F
G
10
D
E
C
G
A
D#
F
C#
G#
A#
E
F#
D
A
B
F
G
D#
A#
C
F#
G#
E
B
C#
G
A
F
C
D
11
G
E
D
C
A
G#
F
D#
C#
A#
A
F#
E
D
B
A#
G
F
D#
C
B
G#
F#
E
C#
C
A
G
F
D
12
C
G
E
A
D
C#
G#
F
A#
D#
D
A
F#
B
E
D#
A#
G
C
F
E
B
G#
C#
F#
F
C
A
D
G
15
Lampiran 1 Lanjutan 16
Urutan Data Uji
Kombinasi Melodi F# major / D# minor
G major / E minor
G# major / F minor
A major / F# minor
A# major / G minor
B major / G# minor
1
F#
G#
A#
C#
D#
G
A
B
D
E
G#
A#
C
D#
F
A
B
C#
E
F#
A#
C
D
F
G
B
C#
D#
F#
G#
2
D#
C#
A#
G#
F#
E
D
B
G
A
F
D#
C
A#
G#
F#
E
C#
B
A
G
F
D
C
A#
G#
F#
D#
C#
B
3
G#
A#
D#
C#
F#
A
B
E
D
G
A#
C
F
D#
G#
B
C#
F#
E
A
C
D
G
F
A#
C#
D#
G#
F#
B
4
A#
G#
F#
C#
D#
B
A
G
D
E
C
A#
G#
D#
F
C#
B
A
E
F#
D
C
A#
F
G
D#
C#
B
F#
G#
5
C#
D#
G#
A#
F#
D
E
A
B
G
D#
F
A#
C
G#
E
F#
B
C#
A
F
G
C
D
A#
F#
G#
C#
D#
B
6
F#
G#
A#
D#
C#
G
A
B
E
D
G#
A#
C
F
D#
A
B
C#
F#
E
A#
C
D
G
F
B
C#
D#
G#
F#
7
G#
F#
A#
C#
D#
G
A
B
D
E
A#
G#
C
D#
F
B
A
C#
E
F#
C
A#
D
F
G
C#
B
D#
F#
G#
8
F#
G#
C#
D#
A#
G
A
D
E
B
G#
A#
D#
F
C
A
B
E
F#
C#
A#
C
F
G
D
B
C#
F#
G#
D#
9
D#
A#
C#
F#
G#
E
B
D
G
A
F
C
D#
G#
A#
F#
C#
E
A
B
G
D
F
A#
C
G#
D#
F#
B
C#
10
G#
A#
F#
C#
D#
A
B
G
D
E
A#
C
G#
D#
F
B
C#
A
E
F#
C
D
A#
F
G
C#
D#
B
F#
G#
11
C#
A#
G#
F#
D#
D
B
A
G
E
D#
C
A#
G#
F
E
C#
B
A
F#
F
D
C
A#
G
F#
D#
C#
B
G#
12
F#
C#
A#
D#
G#
G
D
B
E
A
G#
D#
C
F
A#
A
E
C#
F#
B
A#
F
D
G
C
B
F#
D#
G#
C#
Keterangan: - Tempo 130 beats per minute (Data Uji ke-1 sampai ke-3) - Tempo 160 beats per minute (Data Uji ke-4 sampai ke-6) - Tempo 190 beats per minute (Data Uji ke-7 sampai ke-9) - Tempo 220 beats per minute (Data Uji ke-10 sampai ke-12)
Lampiran 2 Vektor ciri data latih Ciri ke-1
Ciri ke-2
Ciri ke-3
Ciri ke-4
Ciri ke-5
Ciri ke-6
Ciri ke-7
Ciri ke-8
Ciri ke-9
Ciri ke-10
Ciri ke-11
Ciri ke-12
17
Lampiran 2 Lanjutan Ciri ke-14
Ciri ke-15
Ciri ke-16
Ciri ke-17
Ciri ke-18
Ciri ke-19
Ciri ke-20
Ciri ke-21
Ciri ke-22
Ciri ke-23
Ciri ke-24
18
Ciri ke-13
Lampiran 2 Lanjutan
Ciri ke-25
Ciri ke-26
19
20 20
RIWAYAT HIDUP Penulis dilahirkan di Bogor pada 1 Maret 1990 dari Bapak Supoyo dan Ibu Sudarsini, penulis merupakan anak ketiga dari tiga bersaudara. Pada tahun 2008 penulis lulus dari SMA Negeri 7 Kota Bogor dan pada tahun yang sama penulis lulus seleksi dan masuk Program Diploma Institut Pertanian Bogor program keahlian Teknik Komputer melalui jalur USMI. Penulis menyelesaikan studi diploma selama tiga tahun dan lulus pada tahun 2011. Pada tahun 2012 penulis melanjutkan studinya ke jenjang sarjana di Program Alih Jenis Institut Pertanian Bogor, FMIPA Departemen Ilmu Komputer.
20
