JENIS TIPE JANGKAUAN SUARA PADA PRIA DAN WANITA MENGGUNAKAN METODA MEL-FREQUENCY CEPSTRAL COEFFICIENT DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1,2)
Inung Wijayanto1), Reni Dwifebrianti2) Fakultas Elektro dan Komunikasi, Insitut Teknologi Telkom Bandung 1)
[email protected], 2)
[email protected]
Abstract: Human voice is one of the important thing in playing music. Human have different types of voices which can be classified into two classes, man and woman voice. Types of man voices are tenor, baritton and bass while woman voices are sopran, mezzo-sopran and alto. Generally, to determine the human voice type is done by the help of musical instrument, such as piano. In order to make a system which can detect the human voice, the first step is done by doing a feature extraction from the human voice using the Mel-Frequency Cepstral Coefficient. From the feature extraction, we can get the characteristics of the human voice. Besides, it also can give the information to differenciate the gender of the voice. Pitch information is also used to support the gender classification process. For the classification, a Backpropagation Neural Network is used. The testing result show that the detection system can detect woman voice type with 100% accuracy, while for the man voice is 95,47% accuracy. The detection for voice type are Alto 82,23%, Sopran 75%, Bass 97,56% and Tennor 73,45% . Keywords: voice type, mel-frequency cepstral coefficient, backpropagation neural network 1. Pendahuluan Musik sudah menjadi bagian yang tak terpisahkan dari kehidupan manusia. Banyak hobi yang berkaitan dengan musik, mulai dari hobi bermain instrumen sampai dengan hobi olah suara atau menyanyi. Dalam teori musik, manusa memiliki tipe suara yang berbeda-beda baik pria maupun wanita. Tipe suara pada pria dibagi menjadi tenor, bariton dan bass. Sedangkan pada wanita terbagi menjadi sopran, mezzo-osopran dan alto. Bagi orang awam yang baru belajar, biasanya akan mengalami kesulitan dalam menentukan tipe suara mereka. Dalam proses penentuan tipe suara, biasanya dilakukan dengan cara manual yaitu dengan menggunakan bantuan alat musik, umumnya piano, oleh seorang ahli atau pelatih vokal. Untuk membantu proses ini dibuatlah sebuah sistem pendeteksi dengan memanfaatkan teknologi pengolahan sinyal digital. 2. Dasar Teori 2.1 Mekanisme Produksi Suara Produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori source-filter pada produksi sinyal bicara. Sumber daya pada sinyal suara normal dihasilkan dari gerakan kompresi otot paru-paru. Sumber suara, selama sinyal voiced dan unvoiced, merupakan hasil dari getaran masing-masing pita suara. Pemodifikasi suara adalah artikulator, yang merubah bentuk vocal tract sehingga karakteristik frekuensi rongga akustik melewati apa yang dilalui suara. Tiga kontrol utama pada produksi suara adalah paru-paru (sumber daya), posisi pita suara (sumber suara), dan bentuk vocal tract (pemodifikasi suara). Vocal tract terdiri dari pharynx (koneksi antara esophagus dengan mulut) dan mulut. Nasal tract mulai dari bagian belakang langit-langit dan berakhir pada nostrils.
Gambar 2-1 Diagram Blok Produksi Suara Manusia[5] Gambar 2.1 memperlihatkan model sistem produksi ucapan manusia yang disederhanakan. Pembentukan ucapan dimulai dengan adanya hembusan udara yang dihasilkan oleh paru-paru. Cara kerjanya serupa seperti piston atau pompa yang ditekan untuk menghasilkan tekanan udara. Pada saat vocal cords berada dalam keadaan tegang, aliran udara akan menyebabkan terjadinya vibrasi pada vocal cords dan menghasilkan bunyi ucapan yang disebut voiced sound. Pada saat vocal cord berada dalam keadaan lemas, aliran udara akan melalui daerah yang sempit pada vocal tract dan menyebabkan terjadinya turbulensi, sehingga menghasilkan suara yang dikenal dengan unvoiced sound
2.2 Tipe Suara[12] Tipe suara adalah berbagai jenis suara yang diklasifikasikan menggunakan kriteria tertentu. Klasifikasi suara adalah proses dimana suara manusia dinilai, kemudian akan digolongkan menjadi tipe-tipe suara tertentu. Ada banyak perbedaan tipe suara berdasarkan berbagai macam sistem klasifikasi. Berikut ini jangkauan vokal sesuai dengan tipe suara dan representasinya dalam frekuensi berdasarkan scientific pitch notation: Tabel 2.1 Jangkauan Frekuensi Tiap Tipe Suara[12] Frekuensi Frequensi Fundamental Gender Tipe Suara Range Vokal Range Vokal (Hz) (Hz) Tenor C3 –C5 130.813 - 523.251 16.35 Bariton F2 – F4 87.3071 - 349.228 21.80 Pria Bass E2– E4 82.4069 - 329.628 20.60 Soprano C4–A5 261.626 - 1046.50 16.35 Mezzo-Soprano A3–A5 220.000 - 880.000 27.50 Wanita Alto F3 – F5 174.614 - 698.456 21.80 2.3 Mel-Frequency Cepstral Coefficient MFCC merupakan representasi terbaik dari analisis timbre sebagai metode ekstraksi ciri yang merupakan salah satu feature dari sinyal suara. Pada MFCC, frekuensi bands diposisikan secara logaritmik yang mendekati respon dari sistem pendengaran manusia.[13] Secara umum langkah-langkah untuk menghitung MFCC adalah sebagai berikut:[4][6] a. Pre-emphasize Filtering Filter ini mempertahankan frekuensi-frekuensi tinggi pada spektrum yang tereliminasi saat proses produksi suara. Filter pre-emphasis dapat dihitung dengan persamaan: dimana 0.9 < α < 1. b. Frame Blocking Frame blocking digunakan untuk memotong-motong sinyal suara menjadi beberapa frame agar dapat diproses secara short-time untuk memperoleh karakter frekuensi yang relatif stabil. c. Windowing Windowing dilakukan untuk mengurangi efek aliasing atau sinyal tak kontinyu pada awal dan akhir masing-masing frame yang dapat terjadi akibat proses frame blocking. Window yang biasanya digunakan adalah Hamming. Berikut ini persamaan window Hamming: (
)
dengan N adalah jumlah sampel dalam masing-masing frame.
d. FFT FFT digunakan untuk mengkonversi masing-masing frame sinyal suara dari domain waktu ke domain frekuensi. Dalam sinyal bicara, sistem pendengaran sangat sensitif terhadap karakteristik frekuensi sehingga sinyal bicara lebih mudah dianalisis pada domain frekuensi. Perhitungan FFT didefinisikan pada kumpulan N sampel {X} sebagai berikut: ∑ , n = 0,1,2,..., N-1, x(n) = deretan sinyal aperiodik dengan nilai N dan N = jumlah sampel. e. Mel Frequency Wrapping Sinyal bicara terdiri dari nada dengan frekuensi yang berbeda-beda. Untuk masing-masing nada dengan frekuensi aktual, f, diukur dalam Hz, pitch subjektif diukur dengan skala ‘mel’. Skala mel-frequency bersifat linier untuk frekuensi di bawah 1000 Hz dan logaritmik untuk frekuensi di atas 1000 Hz. Pendekatan persamaan untuk menghitung mel dalam frekuensi f (Hz) adalah: ( ) dengan f adalah frekuensi linier. f. Discrete Cosine Transform (DCT) Pada langkah terakhir, spectrum log mel harus dikonversikan kembali menjadi domain waktu menggunakan Discrete Cosine Transform, hasilnya disebut mel frequency cepstral coefficients (MFCCs). MFCC dapat dihitung dengan ∑ persamaan ( ( ) ) Sk = Keluaran dari proses filterbank pada indeks k K = Jumlah koefisien yang diharapkan 2.4 Penentuan Pitch Dengan Analisis Cepstrum Teori dasar dari metode ini berpedoman pada fakta bahwa Transformasi Fourier sebuah sinyal biasanya mempunyai sejumlah puncak yang teratur yang merepresentasikan harmonic spectrum sinyal. Saat log magnitude dari spectrum diperoleh, nilai dari puncak tersebut direduksi. Hasilnya adalah bentuk sinyal periodik pada domain frekuensi, dimana periodenya berhubungan dengan frekuensi fundamental sinyal asli. Metode ini dikembangkan untuk penggunaan dengan [ | | ] sinyal bicara.[3] Cepstrum dapat diperoleh menggunakan persamaan Pada cepstrum, memungkinkan adanya pemisahan representasi koefisien vocal tract (low indices) dan koefisien pembawa informasi pada frekuensi fundamental, pitch (high indices). Pitch bisa diprediksi dengan mengidentifikasi nilai maximum dari c(m).[2]
2.5 Jaringan Syaraf Tiruan Backpropagation Jaringan Syaraf Tiruan Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Gambar 2-2 adalah arsitektur Backpropagation dengan 3 buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari 2 unit (ditambah sebuah bias), serta 1 buah unit keluaran. vij merupakan bobot garis dari unit masukkan xi ke unit layar tersembunyi zj (vij merupakan bobot garis yang menghubungkan bias di unit masukan xi ke unit layar tersembunyi Zj ). Wj merupakan bobot dari unit layar tersembunyi zj ke unit keluaran y (wj merupakan bobot dari bias di layar tersembunyi ke unit keluaran zj)
Gambar 2-2 Arsitektur JST Backpropagation 2.5.1 Fungsi aktivasi Dalam Backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu : kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1).. ( ) Fungsi lain yang sering dipakai adalah adalah fungsi sigmoid bipolar yang bentuk fungsinya mirip dengan fungsi sigmoid biner, tetapi dengan jarak (-1,1). Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya >1, pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai. Alternatif lain adalah menggunakan fungsi aktifasi sigmoid hanya pada layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai adalah fungsi identitas : f(x) = x. 2.5.2 Pelatihan Backpropagation Pelatihan Backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Algoritma pelatihan untuk jarinan dengan satu layar tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut: Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9 Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8 Fase I : Propagasi maju Langkah 3 : Tiap unit masukkan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya Langkah 4 : Hitung semua keluaran di unit tersembunyi zj (j=1,2,...,p) ∑ ( ) Langkah 5
: Hitung semua keluaran jaringan di unit ∑ ( ) Fase II : Propagasi mundur Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit keluaran δ merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar di bawahnya (langkah 7) Hitung suku perubahan bobot (yang akan dipakai nanti untuk merubah bobot ) dengan laju percepatan ; k = 1,2,..., m ; j = 0, 1, ..., p Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi ∑ (j=1,2,...,p) Faktor unit tersembunyi : δ Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah bobot vji)
; j = 1,2,..., p ; i = 0, 1, ..., n Fase III : Perubahan bobot Langkah 8 : Hitung semua perubahan bobot Perubahan bobot garis yang menuju ke unit keluaran : (baru) = (lama) + (k = 1,2, ..., m ; j = 0, 1, ..., p) Perubahan bobot garis yang menuju unit tersembunyi : (baru) = (lama) + (j = 1,2, ..., p ; i = 0, 1, ..., n) Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini, hanya propagasi maju (langkah 4 dan 5) yang dipakai untuk menentukan keluaran jaringan. Apabila fungsi aktivasi yang dipakai bukan sigmoid biner, maka langkah 4 dan 5 harus disesuaikan. Demikian juga turunannya pada langkah 6 dan 7. 3. Perancangan Sistem Secara umum sistem yang dirancang dapat dilihat pada diagram blok berikut: Start
Data Acquisition
Pre-Processing
End
Feature Extraction
Classification
3.1 Akuisisisi Data Akuisisi data merupakan tahap pengambilan data dengan proses perekaman suara. Proses perekaman suara di lakukan di dalam ruangan kedap suara menggunakan condensor. Frekuensi sampling yang digunakan 8000 Hz karena frekuensi maksimum yang diamati tidak lebih dari 1500 Hz sehingga dengan frekuensi sampling 8000 Hz sudah cukup memadai. Data berformat Waveform (*.wav), alasannya karena data suara pada format ini belum mengalami kompresi sehingga dapat dikatakan Waveform file adalah raw file atau data murni dari suara rekaman. 3.2 Preprocessing Setelah diakuisisi, data masuk ke tahap pre-processing. Tahap ini bertujuan untuk membuang informasi-informasi yang tidak diperlukan agar sinyal berada dalam kondisi sama dengan sinyal yang lain. Start
Signal Input
Get Signal 1 to 8000 samples
Denoising
Normalization
Pre-processed Signal
End
Pertama, data yang akan diproses disamakan panjangnya dengan hanya mengambil sampel ke 1-8000 untuk masingmasing data. Selanjutnya terdapat beberapa proses, yaitu: 1. Denoising Proses ini diperlukan untuk menghilangkan noise yang tidak diinginkan yang ikut terbawa pada proses perekaman sehingga data suara yang menjadi masukan untuk diekstraksi cirinya memiliki kualitas yang lebih baik. Denoising yang digunakan adalah dengan Wavelet yang dilakukan pada level dekomposisi 5 (level yang umumnya digunakan pada data satu dimensi) dengan beberapa nilai wavelet decomposition filters daubechies. 2. Normalisasi Proses ini bertujuan untuk menyamakan amplitudo dari setiap suara nyanyian yang direkam oleh sistem sehingga berada dalam rentang -1 dan +1. Data dinormalisasi amplitudanya dengan cara membagi sampel data dengan nilai tertingginya | | 3.3 Ekstraksi Ciri Setelah melaui tahap pre-processing, data suara selanjutnya memasuki tahap ekstraksi ciri menggunakan metode MFCC. Proses untuk mendapatkan vektor ciri MFCC dapat dilihat di gambar berikut:
Input Signal
Pre Emphasize
Frame Blocking
Windowing
MFCC Coefficient
DCT
Mel Frequency Warping
FFT
Gambar 3-1 Proses MFCC Langkah peratama adalah proses pre-emphasis terhadap sinyal hasil keluaran pre-processing dengan koefisien α yang digunakan pada penelitian ini adalah 0,95. Setelah itu sinyal suara dipotong dengan ukuran frame tertentu. Panjang frame yang diujikan adalah 256, 512 dan 1024 sampel dengan besar overlap yang diujikan sebesar 25%, 50%, dan 75% sehingga didapatkan sejumlah frame tertentu. Kemudian setiap frame yang telah didapat dikalikan dengan window hamming untuk mengurangi kebocoran spectral dan mengurangi efek diskontinuitas di awal dan akhir setiap frame. Selanjutnya frame dari domain waktu diubah ke domain frekuensi dengan mengunakan FFT. Spektrum frekuensi yang didapat dari proses FFT dilewatkan ke Mel-Filter Bank yang memiliki kesamaan pada persepsi pendengaran manusia. Jumlah Mel-Filter Bank yang digunakan menentukan hasil ciri dari suatu sinyal suara. Pada penelitian ini dilakukan percobaan dengan menggunakan beberapa jumlah mel filter bank sebanyak 24, 31, dan 64 buah filter untuk mengetahui kualitas filter yang menghasilkan ciri paling optimal. Pemilihan jumlah filter tersebut didasarkan pada penelitian yang sudah ada mengenai MFCC.[9] Langkah selanjutnya adalah komputasi harga logaritmik dari energi dari setiap band output dari setiap filter. Kemudian logaritma energi tersebut diubah menjadi cepstrum dengan invers DCT. Pada DCT ini ditentukan berapa jumlah koefisien keluaran MFCC yang diharapkan yang merupakan hasil akhir dari proses ekstraksi ciri menggunakan MFCC. Pada penelitian ini dilakukan pengambilan beberapa jumlah koefisien yaitu sebanyak 10, 12, 15, dan 20 buah koefisien, dengan default awal 20 koefisien yang biasa digunakan pada umumnya. [4] Hasil akhir inilah yang selanjutnya digunakan sebagai vektor ciri untuk masuk ke tahap klasifikasi. 3.4 Penentuan Pitch Pertama-tama sinyal input dipotong menjadi beberapa frame berukuran 256 sampel dengan overlapping sebesar 128 sample dan setiap frame dikalikan dengan window Hamming berukuran 256. FFT dari setiap frame tersebut akan menghasilkan spektrum frekuensi, lalu dihitung spektrum daya dari setiap frame. Spektrum daya ini kemudian dikembalikan ke domain waktu dengan proses inverse FFT (IFFT). Hasil IFFT inilah yang dinamakan cepstrum. Cepstrum akan memberikan nilai maksimum pada indeks waktu (t), yang memiliki pitch yang dominan. Input Signal
Frame Blocking
Windowing
FFT
Fundamental Frequency
Find Global Maxima
IFFT
Get Power Spectrum (Log FFT)
Gambar 3-2 Diagram Blok Analisis Pitch Dengan Cepstrum 4. Pengujian dan analisis 4.1 Pengujian deteksi gender Berdasarkan skenario yang dijalankan, diperoleh perbandingan tingkat akurasi dari masing-masing pengujian,yang hasilnya dapat dilihat pada tabel berikut: Tabel 4-1 Hasil Akurasi Pengaruh Perubahan Panjang Frame, Overlap, dan Jumlah Mel Bank Filter Frame
Akurasi
Overlap
Akurasi
Mel Filter
Akurasi
256
69,71%
25%
66,81%
24
69,71%
512
68,46%
50%
69,71%
31
72,20%
1024
67,63%
75%
67,63%
64
68,46%
Pertama adalah pengaruh panjang frame. Sinyal suara yang digunakan pada penelitian ini adalah sinyal bicara. Dalam toeri pengolahan sinyal bicara, dikatakan bahwa panjang frame yang sesuai untuk sinyal bicara adalah sebesar 30-50 ms. Pada pengujian ini, terbukti bahwa panjang frame pada kisaran 30-50 ms, dimana dipilih 32 ms atau panjang frame 256 sample point memberikan hasil paling optimal. Kedua adalah pengaruh panjang overlap, yaitu menentukan banyaknya sampel yang diproses kembali pada frame berikutnya untuk mengantisipasi apabila ada informasi yang tidak terproses. Pada deteksi gender, dengan overlap yang besar (75%) diperoleh hasil yang paling baik karena lebih banyak sampel yang diproses kembali pada frame berikutnya sehingga ciri keseluruhan sinyal suara dapat lebih terlihat. Namun pada deteksi tipe suara hasil yang paling optimal didapat pada overlap 50% karena lebih banyak terdapat kemiripan ciri antar tipe suara sehingga lebih rumit. Dengan overlap yang terlalu besar dapat menyebabkan confuse pada sistem akibat terlalu banyak ciri yang diproses ulang. Ketiga pengaruh penggunaan Mel Bank Filter yaitu, dengan sedikit Mel Bank Filter, maka sedikit pula informasi yang didapat dari setiap frekuensi karena tiap frekuensi memiliki karakteristik yang berbeda. Di sisi lain, penggunaan Mel
Bank Filter yang banyak membuat filter yang ada semakin rapat sehingga semakin teliti dalam mem-filter sinyal suara yang masuk dan memprosesnya. Dalam penggunaannya, terlalu sedikit atau terlalu banyak jumlah Mel Bank Filter dapat memberikan hasil yang kurang baik sehingga perlu dicari jumlah yang memberikan hasil terbaik. Pada penelitian ini digunakan 31 Mel Bank Filter karena memberikan hasil paling optimal. Tabel 4-2 Hasil Akurasi Pengaruh Perubahan Nilai Parameter Fungsi Kernel Sigma/ Derajat
RBF
Polynomial
1
72.1992
73.8589
2
79.2531
75.9336
3
80.083
78.4232
4
77.1784
77.1784
5
77.1784
76.7635
6
73.8589
56.0166
7
73.029
63.0705
8
70.1245
54.3568
9
70.5394
52.6971
10
71.3693
44.3983
Berikutnya adalah pengaruh penggunaan fungsi kernel, peningkatan nilai derajat pada Polynomial maupun Sigma pada RBF dapat meningkatkan fleksibilitas batas pemisah dalam menentukan hasil klasifikasi, namun jika terlalu besar nilai parameter yang digunakan dapat menyebabkan overfitting yang dapat memperburuk hasil akurasi. Tabel 4-3 Pengaruh Perubahan Koefisien MFCC Koefisien MFCC
Akurasi
10
63,07%
12
68,05%
15
65,56%
20
72,20%
Pengaruh perubahan jumlah koefisien MFCC menunjukan banyaknya vektor ciri yang akan digunakan. Pada umumnya, pangaruh perubahan jumlah koefisien MFCC yang digunakan adalah semakin banyak koefisien yang digunakan, akan memberikan hasil yang semakin baik karena informasi ciri yang dimiliki semakin banyak. Hasil yang optimal didapat pada jumlah koefisien 20. 4.2 Analisis Pengaruh Parameter JST Backpropagation Pada JST Backpropagation, terdapat beberapa parameter yang dapat menentukan kinerja JST dalam memproses input yang baru. Pada penelitian ini diuji parameter JST yaitu Pengaruh jumlah hidden layer dan Jumlah Neuron pada masingmasing layer, pengaruh fungsi aktivasi pada hidden layer dan output layer. 4.2.1 Analisis Pengaruh Jumlah Hidden Layer Pengujian ini dilakukan dengan mengubah jumlah hidden layer pada JST yang dibangun, pada sistem ini dibatasi hidden layer yang diuji adalah hidden layer 1 sampai dengan 5. Nilai threshold yang digunakan adalah 0,2. Parameter JST lain yang digunakan yaitu jumlah neuron yang digunakan 50, fungsi aktivasi hidden layer adalah tansig, dan fungsi aktivasi output layer adalah purelin. Parameter lain pada Backpropagation yang digunakan yaitu nilai maksimum epoch sebanyak 20.000, batas toleransi error 10-4, learning rate 0.01, dan gradien minimum 1x10-6. Pada tabel di bawah ini dapat dilihat akurasi yang dihasilkan masing-masing jumlah hidden layer dan jumlah neuron. Tabel 4-4 Akurasi akibat pengaruh jumlah hidden layer AKURASI (%) Jumlah Hidden Layer Data Training Data Uji 1 96,8553 69,1824 2 100 77,3585 3 100 79,2453 4 100 83,6478 5 100 88,0503 Terlihat bahwa jumlah hidden layer dapat mempengaruhi kinerja sistem sehingga hasil akurasi yang didapatkan cukup beragam. Akurasi tertinggi pada deteksi jenis nada alat musik diperoleh saat hidden layer berjumlah 5. Hal tersebut dipengaruhi oleh besarnya hidden layer, karena untuk jaringan yang memiliki lebih dari 1 hidden layer maka dalam propagasi maju, keluaran dihitung untuk setiap layer mulai dari layer yang paling dekat dengan input. Sedangkan pada propagasi mundur faktor kesalahan akan terus diperbaiki pada setiap layer dimulai dari layer output. Sehingga jika jumlah hidden layer lebih dari 1, maka kesalahan pengenalan akan semakin kecil.
4.2.2 Analisis Pengaruh Jumlah Neuron Pada pengujian ini diuji pengaruh dari jumlah neuron pada JST. Dari hasil analisis dicari jumlah neuron yang paling cocok untuk diterapkan pada sistem. Pengujian ini dilakukan dengan mengubah jumlah neuron pada JST yang dibangun. Jumlah neuron yang diuji dibatasi dari 10 sampai 50. Nilai threshold yang digunakan adalah 0,2. Parameter JST lain yang digunakan yaitu hidden layer yang digunakan 5, fungsi aktivasi hidden layer adalah tansig, dan fungsi aktivasi output layer adalah purelin. Parameter lain pada Backpropagation yang digunakan yaitu nilai maksimum epoch sebanyak 20.000, batas toleransi error 10-4, learning rate 0.01, dan gradien minimum 1x10-6. Pada tabel di bawah ini dapat dilihat akurasi yang dihasilkan masing-masing jumlah neuron. Tabel 4-5 Akurasi akibat pengaruh jumlah neuron AKURASI (%) Jumlah Neuron Data Training Data Uji 10 100 66,6667 20 100 76,1006 30 100 79,8742 40 100 78,6164 50 100 88,0503 Neuron mempengaruhi sistem dalam hal pelatihan jaringan saraf tiruan. Penambahan jumlah neuron membuat pelatihan menjadi lebih mudah. Pada tabel 4-5 terlihat bahwa jumlah neuron dapat mempengaruhi kinerja sistem sehingga hasil akurasi yang didapatkan cukup beragam. Akurasi tertinggi pada deteksi nada alat musik diperoleh saat jumlah Neuron 50. 4.2.3 Analisis Pengaruh Fungsi Aktivasi Pada Hidden layer Pengujian ini dilakukan dengan mengubah fungsi aktivasi hidden layer pada JST yang dibangun. Nilai thresholding yang digunakan adalah 0,2. Parameter JST yang digunakan yaitu dengan jumlah hidden layer 5, jumlah neuron masingmasing layer adalah 50, dan fungsi aktivasi output layer yang digunakan adalah purelin. Parameter lain pada Backpropagation yang digunakan yaitu nilai maksimum epoh sebanyak 20.000, batas toleransi error 10-4, learning rate 0.01, dan gradien minimum 1x10-6. Tabel 4-6 Akurasi akibat pengaruh fungsi aktivasi hidden layer Fungsi Aktivasi AKURASI (%) Hidden Layer Data Training Data Uji Tansig 100 88,0503 Logsig 100 81,7610 Purelin 0 0 Pada tabel 4-6 dapat disimpulkan bahwa fungsi aktivasi hidden layer yang cocok adalah fungsi Tan-Sigmoid (tansig), karena menghasilkan akurasi tertinggi yaitu sebesar 88,0503%. Dari data yang diperoleh, juga dapat disimpulkan bahwa fungsi aktivasi purelin tidak cocok untuk dipakai pada hidden layer karena fungsi aktivasi ini menghasilkan akurasi yang sangat buruk yaitu nol. 4.2.4 Analisis Pengaruh Fungsi Aktivasi Output Layer Pengujian ini dilakukan dengan mengubah fungsi aktivasi output layer pada JST yang dibangun. Nilai threshold yang digunakan adalah 0,2. Parameter JST yang digunakan yaitu dengan jumlah hidden layer 5, jumlah neuron masing-masing layer adalah 20, dan fungsi aktivasi hidden layer yang digunakan adalah fungsi Tan-Sigmoid (tansig). Parameter lain pada Backpropagation yang digunakan yaitu nilai maksimum epoh sebanyak 20.000, batas toleransi error 10-4, learning rate 0.01, dan gradien minimum 1x10-6. Tabel 4-7 Akurasi akibat pengaruh fungsi aktivasi output layer Fungsi Aktivasi AKURASI (%) Output Layer Data Training Data Uji Tansig 100 84,9057 Logsig 0 0 Purelin 100 88,0503 Pada tabel 4-7 dapat disimpulkan bahwa fungsi aktivasi yang cocok untuk output layer adalah Pure-Linier (Purelin) karena menghasilkan akurasi tertinggi yaitu sebesar 88,0503%. Dari data yang diperoleh, juga dapat disimpulkan bahwa fungsi aktivasi logsig tidak cocok untuk dipakai pada output layer, karena fungsi aktivasi ini menghasilkan akurasi yang sangat buruk yaitu nol. 4.3 Hasil Akhir Deteksi Gender Berdasarkan hasil skenario pengujian yang telah dilakukan, nilai parameter-parameter yang memberi hasil paling optimal untuk deteksi gender yaitu panjang frame 256 sampel, overlap 75%, jumlah Mel Bank Filter 31, jumlah koefisien MFCC 20, dan parameter JST Backpropagation jumlah hidden layer 5, jumlah neuron 50, fungsi aktifvasi hidden layer TanSigmoid, fungsi aktivasi output layer adalah Pure-Linier. Hasil akurasi yang diperoleh dapat dilihat di gambar berikut, untuk proses uji coba pada suara wanita memperoleh hasil akurasi 100% sementara untuk pria memperoleh hasil akurasi sebesar 95,47%
Woman 100% 98,75 %
Man
Alto
Bass
Tenor
100% 95,47%
Training
Sopran
Testing
Gambar 4.1 Grafik Perbandingan Akurasi Hasil Deteksi Gender
100% 94,70% 85,98% 75,01%
97,56 % 82,23% 73,45 % 75.00%
Training
Testing
Gambar 4.2 Perbandingan Akurasi Hasil Deteksi Tipe Suara
Kemampuan sistem dalam mendeteksi gender wanita lebih baik dibandingkan pria. Error banyak terjadi pada pria bertipe suara tenor yang terdeteksi sebagai gender wanita. Hal ini disebabkan oleh adanya suara pria dengan karakteristik yang terdengar menyerupai suara wanita. 4.4.2 Hasil Akhir Deteksi Tipe Suara Berdasarkan hasil skenario pengujian yang telah dilakukan, dengan nilai parameter-parameter yang sama seperti deteksi gender. Hasil yang diperoleh adalah sebagai berikut Dapat dilihat bahwa hasil deteksi tipe suara yang memiliki akurasi tertinggi adalah suara bass, diikuti oleh tipe suara alto, sopran, dan yang paling rendah adalah tenor. Hal ini menunjukkan bahwa sistem mendeteksi lebih baik pada tipe suara dengan frekuensi nada rendah, yaitu bass dan alto. Hal ini berkaitan dengan filter pada MFCC yang tersebar tidak merata, yaitu banyak filter pada daerah frekuansi rendah dan sedikit filter pada daerah frekuensi tinggi, dimana banyak filter dapat mempengaruhi banyaknya informasi yang diperoleh. Selain itu, pada suara rendah apabila didengar secara langsung terdengar lebih berkarakter dan lebih dapat dibedakan. Sementara pada suara tinggi, antara suara satu dengan yang lain kurang terdengar perbedaan karakternya. 5. Kesimpulan Setelah dilakukan pengujian dan analisis terhadap sistem deteksi tipe suara pria dan wanita pada penelitian ini, maka dapat diambil beberapa kesimpulan sebagai berikut: 1. Sistem dapat mendeteksi gender dengan akurasi pada wanita 100% sedangkan pada pria 95,47% 2. Sistem dapat mendeteksi tipe suara alto 82,23%, sopran 75%, bass 97,56 dan tenor 73,45%. 3. Spesifikasi nilai parameter yang memberikan akurasi paling optimal pada deteksi tipe suara pria dan wanita adalah panjang frame 256 sampel, overlap 75%, jumlah Mel Bank Filter 31, jumlah koefisien MFCC 20, dan parameter JST Backpropagation jumlah hidden layer 5, jumlah neuron 50, fungsi aktifvasi hidden layer Tan-Sigmoid, fungsi aktivasi output layer adalah Pure-Linier 6. Daftar Pustaka [1] Ben-Hur, Asa and Jason Weston. A User’s Guide to Support Vector Machines. Colardo State University and Princenton, NJ 08540 USA. [2] Cernocky, Jan dan Valentina Hubeika. Fundamental Frequency Detection. DCGN FIT BUT Brno. [3] Gerhard, David. 2003. Pitch Extraction and Fundamental Frequency: History and Current Techniques. Departement of Computer Science University of Regina, Canada. [4] Hasan, Rashidul Md., Mustafa Jamil, Md. Golam Rabbani, dan Md. Saifur Rahman. 2004. Speaker Identification Using Mel Frequency Cepstral Coefficients. Bangladesh University of Engineering and Technology, Dhaka. [5] Kura, Vijay B. 2003. Novel Pitch Detection Algorithm With Application to Speech Coding. B. Tech Jawaharlal Institute of Technological University. [6] Mustofa, Ali. 2007. Sistem Pengenalan Penutur dengan Metode Mel-frequency Wrapping. Jurnal Teknik Elektro. Vol. 7. No. 2: 88 – 96. [7] Nugroho, Anto Satriyo, dkk. 2003. Support Vector Machine-Teori dan Aplikasinya dalam Bioinformatika. Kuliah Umum Ilmu Komputer.com. [8] Prahallad, Kishore. Speech Technology : A Practical Introduction, topic : Spectrogram, Cepstrum and MelFrequency Analysis. Carnegie Mellon University & International Institute of Information Technology Hyderabad. Slide. [9] Purwanto, Kristiawan dan Tutug Dhanardono. Simulasi Reduksi Derau Sinyal Suara Pada Gedung Kebun Raya Purwodadi Dengan Metode DWT. ITS, Surabaya. [10] Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. [11] Simanungkalit, Nortier. 2008. Teknik Vokal Paduan Suara. Jakarta: Gramedia Pustaka Utama. [12] Yen, Joe. Wavelet for Acoustics, Technical Report R98942097 (citation for B3).
[13] Yudha, Indrajit Prawira. 2012. Sistem Identifikasi Jenis Suara Manusia Berdasarkan Jangkauan Vokal Menggunakan Jaringan Saraf Tiruan Backpropagation. Bandung: Institut Teknologi Telkom.
