KLASIFIKASI LAGU BERDASARKAN PENCIPTA LAGU MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK SKRIPSI

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

KLASIFIKASI LAGU BERDASARKAN PENCIPTA LAGU MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

HALAMAN JUDUL

Oleh: Andreas Bagus Widodo 115314046

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2015

i


SONG CLASSIFICATION BASED ON ITS WRITER USING NEURAL NETWORK BACK PROPAGATION

A THESIS

Presented as Partial Fulfillment of Requirements to Obtain Sarjana Komputer Degree in Informatics Engineering Department

TITLE PAGE

By: Andreas Bagus Widodo 115314046

INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT FACULTY OF SCIENCE AN TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2015

ii


HALAMAN PERSETUJUAN


Oleh: Andreas Bagus Widodo 115314046

Telah disetujui oleh:

Pembimbing,

Dr. C. Kuntoro Adi, SJ., M.A., M.Sc.

Tanggal,

iii

Juli 2015


HALAMAN PENGESAHAN


Dipersiapkan dan ditulis oleh: ANDREAS BAGUS WIDODO NIM: 115314046

Telah dipertahankan di depan Panitia Penguji Pada tanggal 12 Juni 2015 dan dinyatakan memenuhi syarat

Susunan Panitia Penguji Nama Lengkap

Tanda Tangan

Ketua

: Dr. Anastasia Rita Widiarti, M.Kom

………….

Sekretaris

: Sri Hartati Wijono, S.Si., M.Kom

………….

Anggota

: Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc. ………….

Yogyakarta,

Juli 2015

Fakultas Sains dan Teknologi Universitas Sanata Dharma

Dekan,

Paulina Heruningsih Prima Rosa S.Si., M.Sc. iv


MOTTO

“Tangan yang lamban membuat miskin, tetapi tangan orang rajin menjadikan kaya”

Amsal 10:4

v


PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa di dalam skripsi yang saya tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 11 Juni 2015 Penulis

Andreas Bagus Widodo

vi


LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma: Nama : Andreas Bagus Widodo NIM

: 115314046

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul:


Berserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada perpustakaan Universitas Sanata dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada saya selama tetap mencantumkan nama saya sebagai penulis. Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, 11 juni 2015 Penulis


vii


ABSTRAK

Penelitian ini bertujuan menciptakan sistem untuk mengklasifikasikan lagu berdasarkan pencipta lagu. Latar belakang dilakukannya penelitian ini adalah, karena pada metadata tidak semua informasi lagu dipublikasikan, termasuk pencipta lagu. Dari penelitian ini diperoleh manfaat untuk mengetahui pencipta sebuah lagu. Penelitian ini dilakukan dengan metode Klasifikasi Jaringan Syaraf Tiruan Propagasi Balik dan ekstraksi ciri Music Surface Feature, dengan masukannya adalah sinyal audio. Penelitian mencakup tiga tahap yaitu preprocessing, ektraksi ciri audio digital dan klasifikasi. Pada tahap preprocessing data berupa file audio dengan format mp3 yang berjumlah 40, dikonversi kedalam format wav kemudian dipotong-potong sehingga menjadi 200 data. Pada tahap ekstraksi ciri setiap data akan diambil ciri-cirinya yang berupa nilai-nilai numerik, nilai-nilai tersebut yang akan menjadi masukan pada tahap klasifikasi. Berdasarkan percobaan semua kombinasi ciri lagu dan percobaan variasi arsitekstur Jaringan Syaraf Tiruan Propagasi Balik, diperoleh hasil penelitian yang optimal yaitu sebuah sistem klasifikasi dengan akurasi mencapai 71% pada empat pencipta lagu, yaitu: Abdee Negara, Dewa Budjana, Ahmad Dhani, Ian Antono. Hasil tersebut diperoleh dari kombinasi 5 ciri lagu (Centroid, Roll Off, Flux, Zero Crossing Rate dan Low Energy) serta klasifikasi dengan Jaringan Syaraf Tiruan Propagasi Balik dengan arsitekstur: jumlah lapis tersembunyi 2 lapis, jumlah neuron lapis pertama 99 dan lapis kedua 36, target error 0.01, kecepatan pembelajaran 0.1, batas iterasi 5000. Hasil dari penelitian ini diperoleh kesimpulan bahwa ekstraksi ciri dengan metode Music Surface Feature dan klasifikasi dengan metode Jaringan Syaraf Tiruan Propagasi Balik mendapat akurasi diatas target penelitian ini untuk klasifikasi pencipta lagu.

Kata Kunci: Music Surface Feature, Jaringan Syaraf Tiruan Propagasi Balik, Klasifikasi Lagu Berdasarkan Pencipta Lagu

viii


ABSTRACT

The objective of this research is to create a system to classify a song based on its writer. The background of this research was, because the metadata is not all song information published, including songwriter. The benefits obtained from this research to determine the creator of a song. A back-propagation neural network is used to classify the song after the process of music surface feature analysis upon the incoming signals. Research includes three stages: preprocessing, extraction of digital audio features and classification. In stage preprocessing data in the form of audio file with mp3 format which totaled 40 converted into the format wav then cut into pieces so that it becomes 200 data. In the features extraction stage every data will be retrieved features in the numeric values these values will be input at the stage classification. Based on various combination of song features and different variations of Neural Network Back Propagation architectures, the experiment obtained the optimal classification with accuracy of 71% for four songwriter identification, namely: Abdee State, Dewa Budjana, Ahmad Dhani, Ian Antono. The result obtained from all song features (Centroid, Roll Off, Flux, Zero Crossing Rate dan Low Energy) and classification Neural Network Back Propagation with architecture: 2 layers of hidden layers, the amount of neuron in the first hidden layer is 99 and the second hidden layer is 36, the target of error is 0.01, the learning rate is 0.1, the epoch or iteration is 5000. The methods Music Surface Feature and classification by Neural Network Back Propagation were able to accurately classify song of different writer above target of this research.

Keywords: Music Surface Feature, Neural Network Back Propagation, Song Classify Based on it’s Writer

ix


KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, sehingga penulis dapat menyelesaikan tugas akhir dengan judul “Klasifikasi Lagu Berdasarkan Pencipta Lagu Menggunakan Jaringan Syaraf Tiruan Propagasi Balik”. Tugas akhir ini merupakan salah satu mata kuliah wajib dan sebagai syarat akademik untuk memperoleh gelar sarjana komputer program studi Teknik Informatika Universitas Sanata Dharma Yogyakarta. Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada pihakpihak yang telah membantu penulis baik selama penelitian maupun saat mengerjakan tugas akhir ini. Ucapan terima kasih sebesar-besarnya penulis sampaikan kepada: 1.

Tuhan Yang Maha Esa, yang telah memberikan pertolongan dan kekuatan dalam proses pembuatan tugas akhir.

2.

Orang tua, Antonius Heru Priyanto dan Marta Sri Hartatiningsih, serta keluarga yang telah memberikan dukungan spiritual dan material.

3.

Dr. C. Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen pembimbing tugas akhir, atas bimbingan, waktu dan saran yang telah diberikan kepada penulis.

4.

JB. Budi Darmawan S.T., M.Sc. selaku dosen pembimbing akademik, atas bimbingan, kritik dan saran yang telah diberikan kepada penulis.

5.

Ridowati Gunawan, S.Kom., M.T. selaku ketua program studi Teknik Informatika, atas bimbingan, kritik dan saran yang telah diberikan kepada penulis.

6.

Paulina Heruningsih Prima Rosa S.Si., M.Sc., selaku dekan fakultas Sains dan Teknologi, atas bimbingan, kritik dan saran yang telah diberikan kepada penulis.

7.

Seluruh dosen Teknik Informatika atas ilmu yang telah diberikan semasa kuliah dan sangat membantu penulis dalam mengerjakan tugas akhir.

8.

Sony Setiawan, atas bantuannya mempelajari metode ekstraksi ciri lagu dan klasifikasi jaringan syaraf tiruan propagasi balik.

x


9.

Mas Yanuar, Mas Susilo dan Mas Danang selaku laboran Teknik Informatika, atas bantuannya menyediakan tempat untuk mengerjakan tugas akhir.

10.

Kekasih tercinta, Maria Tika Wijaya, atas dukungan semangat dan doanya.

11.

Dio, Rio, Beny, Agung, Be, Priska, Lukas, Tea, Kevin, Dion dan temanteman lainnya, atas dukungan semangat dan doanya.

12.

Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu penulis dalam pengerjaan tugas akhir ini. Penulis menyadari masih banyak kekurangan yang terdapat dalam laporan

tugas akhir ini. Saran dan kritik sangat diharapkan untuk hasil yang lebih baik di masa mendatang. Penulis,


xi


DAFTAR ISI 1 HALAMAN JUDUL................................................................................................ i TITLE PAGE .......................................................................................................... ii HALAMAN PERSETUJUAN ............................................................................... iii HALAMAN PENGESAHAN................................................................................ iv MOTTO .................................................................................................................. v PERNYATAAN KEASLIAN KARYA ................................................................ vi LEMBAR

PERSETUJUAN

PUBLIKASI

KARYA

ILMIAH

UNTUK

KEPENTINGAN AKADEMIS ............................................................................ vii ABSTRAK ........................................................................................................... viii ABSTRACT ........................................................................................................... ix KATA PENGANTAR ............................................................................................ x DAFTAR ISI ......................................................................................................... xii DAFTAR TABEL ................................................................................................. xv DAFTAR GAMBAR ........................................................................................... xvi BAB I ...................................................................................................................... 1 1.1.

Latar Belakang.......................................................................................... 1

1.2.

Perumusan Masalah .................................................................................. 2

1.3.

Maksud dan Tujuan Tugas Akhir ............................................................. 2

1.4.

Pembatasan dan Ruang Lingkup Permasalahan ....................................... 3

1.5.

Sistematika Penulisan ............................................................................... 3

BAB II ..................................................................................................................... 5 2.1

Lagu .......................................................................................................... 5

2.1.1

Harmoni ............................................................................................ 5

xii


2.1.2

Irama ................................................................................................. 5

2.1.3

Ekspresi ............................................................................................. 6

2.1.4

Melodi ............................................................................................... 6

2.2

Pencipta Lagu ........................................................................................... 6

2.3.1

Ahmad Dhani .................................................................................... 6

2.3.2

Dewa Budjana ................................................................................... 7

2.3.3

Ian Antono......................................................................................... 7

2.3.4

Abdee Negara .................................................................................... 7

2.3

Ekstraksi Ciri ............................................................................................ 7

2.3.1

Pemrosesan Sinyal Digital ................................................................ 8

2.3.2

Musical Surface Features ............................................................... 10

2.4

Jaringan Syaraf Tiruan Propagasi Balik ................................................. 12

2.4.1

Jaringan Syaraf Tiruan .................................................................... 12

2.4.2

Jaringan Syaraf Tiruan Propagasi Balik .......................................... 15

2.5

K-Fold Cross Validation ........................................................................ 22

2.6

Confusion Matrix .................................................................................... 22

BAB III ................................................................................................................. 24 3.1

Analisa Kebutuhan ................................................................................. 24

3.1.1

Analisa Pencipta Lagu..................................................................... 24

3.1.2

Analisa Data .................................................................................... 24

3.1.3

Metode Ekstraksi Ciri Lagu ............................................................ 25

3.1.4

Metode Klasifikasi .......................................................................... 26

3.1.5

Metode Pengujian ........................................................................... 26

3.1.6

Kebutuhan Sistem ........................................................................... 27

3.2

Perancangan Sistem ................................................................................ 28

xiii


3.2.1

Ekstraksi Ciri ................................................................................... 29

3.2.2

Klasifikasi dan Pengujian................................................................ 40

3.3

Perancangan Atarmuka Sistem ............................................................... 42

BAB IV ................................................................................................................. 45 4.1

Hasil penelitian ....................................................................................... 45

4.1.1

Hasil Kombinasi Ciri Lagu ............................................................. 47

4.1.2

Hasil Variasi Arsitekstur Jaringan .................................................. 51

4.2

Penggunaan Sistem................................................................................. 58

BAB V................................................................................................................... 60 5.1

Kesimpulan ............................................................................................. 60

5.2

Saran ....................................................................................................... 61

DAFTAR PUSTAKA ........................................................................................... 62 LAMPIRAN .......................................................................................................... 63 A. Biografi Pencipta Lagu .............................................................................. 63 B. Source Code ............................................................................................... 64

xiv


DAFTAR TABEL

Tabel 2.1 Confusion Matrix 2 kelas (Tan, Steinbach, & Kumar, 2006). .............. 23 Tabel 3.1 Contoh Hasil Ekstraksi Ciri .................................................................. 40 Tabel 3.2 Five Fold Cross Validation ................................................................... 40 Tabel 4.1 Hasil Kombinasi Ciri ............................................................................ 48 Tabel 4.2 Hasil Variasi Jumlah Jaringan 1 Lapis Tersembunyi............................ 51 Tabel 4.3 Hasil Variasi Jumlah Jaringan 2 Lapis Tersembunyi............................ 52 Tabel 4.4 Confusion Matrix Pengujian Dengan 2 Lapis Tersembunyi Yaitu 99 Dan 36 .............................................................................................................. 56

xv


DAFTAR GAMBAR

Gambar 2.1 Ilustrasi Jaringan Lapis Tunggal (Siang, 2007) ................................ 13 Gambar 2.2 Ilustrasi Jaringan Lapis Majemuk (Siang, 2007) .............................. 14 Gambar 2.3 Ilustrasi Jaringan Syaraf Tiruan Propagasi Balik (Siang, 2007) ....... 15 Gambar 3.1 Diagram Blok Proses Pelatihan ......................................................... 28 Gambar 3.2 Diagram Blok Proses Pengujian ........................................................ 29 Gambar 3.3 Diagram Blok Proses Ekstraksi Ciri.................................................. 30 Gambar 3.4 Hamming Window ............................................................................ 31 Gambar 3.5 Fast Fourier Transform...................................................................... 32 Gambar 3.6 Inverse Fast Fourier Transform ......................................................... 33 Gambar 3.7 Ciri Centroid ...................................................................................... 34 Gambar 3.8 Ciri Roll Off ...................................................................................... 35 Gambar 3.9 Ciri Flux ............................................................................................ 36 Gambar 3.10 Ciri Zero Crossing Rate .................................................................. 38 Gambar 3.11 Ciri Low Energy .............................................................................. 39 Gambar 3.12 Rancangan Tampilan Antarmuka Sistem ........................................ 42 Gambar 4.1 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Abdee Negara ................................................................................................................... 45 Gambar 4.2 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Dewa Budjana ................................................................................................................. 46 Gambar 4.3 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Ahmad Dhani ..................................................................................................................... 46 Gambar 4.4 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Ian Antono ... 47 Gambar 4.5 Grafik Kombinasi Ciri ....................................................................... 50 Gambar 4.6 Grafik Variasi Jumlah Jaringan 1 Lapis Tersembunyi ...................... 51 Gambar 4.7 Grafik Percobaan 2 Lapis Tersembunyi ............................................ 55 Gambar 4.8 Grafik Percobaan 2 Lapis Tersembunyi Dengan Lapis 1 Berjumlah 99 ........................................................................................................................... 56 Gambar 4.9 Tampilan Antarmuka Sistem ............................................................. 58

xvi


1. BAB I PENDAHULUAN

1.1. Latar Belakang Perkembangan

teknologi

membawa

pengaruh

baik

terhadap

perkembangan musik. Dengan perkembangan teknologi tersebut musik tidak hanya bisa dinikmati secara langsung namun dapat disimpan dalam bentuk digital yang biasa disebut dengan audio digital. Pada lagu yang tersimpan dalam audio digital terdapat metadata, yaitu informasi dari audio digital. Pada metadata tidak semua informasi lagu dipublikasikan, seperti pencipta lagu. Hal itu menyebabkan kurangnya informasi pada file audio digital yaitu pencipta lagu. Pada tahun 2010 terdapat penelitian dengan judul Klasifikasi Lagu Berdasarkan Genre Musik dengan Jaringan Saraf Tiruan Propagasi Balik. Penelitian tersebut bertujuan membuat sistem yang mampu secara otomatis mengenali genre suatu musik. Metode ekstraksi ciri yang digunakan adalah MUGRAT, sedangkan metode klasifikasi yang digunakan adalah Jaringan Syaraf Tiruan Propagasi Balik. Penelitian tersebut mempunyai hasil optimal yaitu, mengenali 4 genre musik dengan akurasi 94,34% (Setiawan, 2010). Permasalahan yang pertama adalah bagaimana Jaringan Syaraf Tiruan Propagasi Balik dapat mengenali pencipta sebuah lagu dengan akurasi yang baik. Permasalahan yang kedua adalah bagaimana menemukan karakter lagu dari masing-masing pencipta lagu. Dalam penelitian ini akan dirancang

1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2

sistem yang dapat mengenali pencipta sebuah lagu secara otomatis dengan menganalisa sinyal audio digital dan Jaringan Syaraf Tiruan Propagasi Balik sebagai pengklasifikasiannya. 1.2. Perumusan Masalah Berdasarkan latar belakang diatas, maka rumusan masalah untuk penelitian ini adalah: 1. Bagaimana menemukan karakter dari tiap pencipta lagu. 2. Bagaimana Jaringan Syaraf Tiruan Propagasi Balik mengenali pencipta sebuah lagu. Jaringan Syaraf Tiruan Propagasi Balik akan mampu mengenali pencipta lagu dengan baik jika karakter dari lagu antar pencipta mempunyai perberbedaan yang cukup tinggi. Kesulitan dalam penelitian ini terletak pada bagaimana menemukan perbedaan karakter tiap pencipta lagu. Jika dibandingkan dengan menemukan perbedaan genre lagu, membedakan karakter pencipta lagu lebih sulit. 1.3. Maksud dan Tujuan Tugas Akhir Tujuan dari penelitian ini adalah membuat sistem yang mampu digunakan untuk: a.

Ekstraksi ciri lagu untuk mendapatkan perbedaan karakter dari pencipta lagu menggunakan metode ekstraksi ciri yang dikemukakan oleh George Tzanetakis yaitu Music Surface Feature.

b.

Mengenali pencipta lagu menggunakan Jaringan Syaraf Tiruan Propagasi Balik dengan akurasi diatas 50%.


1.4. Pembatasan dan Ruang Lingkup Permasalahan Untuk membahas topik yang lebih terarah dan terfokus pada tujuan yang ingin dicapai, maka batasan masalahnya sebagai berikut: 1.

Format file masukan adalah “.wav”.

2.

Frekuensi audio yang dipakai adalah 44,100 khz.

3.

Pengklasifikasian pencipta lagu hanya 4 pencipta lagu, yaitu: Ahmad Dhani, Dewa Budjana, Ian Antono, Abdee Negara.

1.5. Sistematika Penulisan Sistematika penulisan tugas akhir ini dibagi menjadi beberapa bab dengan susunan sebagai berikut: BAB I: PENDAHULUAN Bab ini membahas latar belakang, rumusan masalah, tujuan, batasan masalah, sistematika penulisan. BAB II: LANDASAN TEORI Bab ini membahas teori-teori dasar yang mendukung dan menjadi dasar pemecahan masalah, antara lain teori tentang lagu dan pencipta lagu, kemudian juga metode-metode seperti: ekstraksi ciri (Music Surface Feature) dan Jaringan Syaraf Tiruan Propagasi Balik yang akan dipakai untuk perancangan sistem. BAB III: ANALISIS DAN PERANCANGAN SISTEM Bab ini membahas mengenai analisa komponen-komponen yang akan digunakan untuk melakukan penelitian, serta perancangan sistem secara lengkap.


BAB VI: IMPLEMENTASI DAN ANALISA HASIL Bab ini menjelaskan uraian evaluasi dari hasil penelitian dan menjelaskan cara pengoprasian sistem. BAB V: PENUTUP Bab ini berisi kesimpulan dari penelitian dan saran-saran untuk pengembangan penelitian lebih lanjut.


2. BAB II LANDASAN TEORI

Bab ini berisi penjabaran teori-teori yang bersangkutan dengan penulisan Tugas Akhir ini. Teori-teori tersebut adalah Lagu, Pencipta Lagu, Ekstraksi Ciri, Jaringan Saraf Tiruan Propagasi Balik, K-Fold Cross Validation, Confusion Matrix.

2.1 Lagu Lagu menurut Jamalus (1988) adalah karya seni yang dinyanyikan dengan diiringi alat musik. Sedangkan lagu merupakan bagian dari musik. Menurut kamus besar bahasa Indonesia, “Pengertian musik secara umum adalah suara berirama yang dapat didengarkan oleh telinga manusia. Musik dapat dinikmati karena alunan dari iramanya yang dapat merubah suasana” Musik sendiri terdiri dari beberapa unsur, yaitu: 2.1.1

Harmoni Harmoni adalah keselarasan bunyi yang merupakan gabungan dua nada atau lebih yang berbeda tinggi rendahnya (Jamalus, 1988).

2.1.2

Irama Irama sebagai rangkaian gerak yang menjadi unsur dasar dalam musik, irama dalam musik terbentuk dari sekelompok bunyi dengan bermacam-macam lama waktu dan panjang. Irama tersusun atas dasar ketukan tersebut terdiri dari ketukan kuat atau ketukan lemah (Jamalus, 1988).

5


2.1.3

Ekspresi Ekspresi adalah ungkapan pikiran dan perasaan mencangkup tempo, dinamik dan warna nada dari unsur-unsur pada musik yang diwujudkan oleh seniman musik. Penyanyi yang disampaikan pada pendengarnya (Jamalus, 1988).

2.1.4

Melodi Melodi adalah susunan rangkaian nada (bunyi dengan getaran yang teratur) yang terdengar berurutan serta bersama dengan mengungkapkan suatu gagasan (Jamalus, 1988).

2.2 Pencipta Lagu Pencipta lagu adalah seseorang yang memainkan suatu alat musik dengan kepekaan, pengetahuan atau bakat seseorang terhadap musik, atau bisa juga berarti kualitas atau keadaan dari sesuatu yang bersifat musik. Lagu dapat tercipta dari kematangan konsep dalam komposisi lagu yang dibuat (Jamalus, 1988). Berikut ini adalah beberapa pencipta lagu ternama di Indonesia yang mempunyai karakter tersendiri pada lagunya: 2.3.1 Ahmad Dhani Musik rock yang dipunyai Ahmad Dhani mempunyai karakter keras dan kuat selayaknya musik rock lainnya. Alat musik utama musik rock

menggunakan

gitar

listrik.

Namun,

Dhani

banyak

mengkombinasikan gitar listrik dengan kibor dalam musiknya. Ahmad Dhani juga banyak menciptakan lagu rock dan elektro (Maulana, 2011).


2.3.2 Dewa Budjana Berbeda dengan Ahmad Dhani yang juga mempunyai aliran musik rock, Dewa Budjana mempunyai aliran musik rock yang mempunyai karakter instrumental. Musik rock Dewa Budjana juga merupakan kombinasi dengan musik jazz. Musik rock Dewa Budjana juga jarang menkombinasikan gitar listrik dengan kibor (Budjana, 2007). 2.3.3 Ian Antono Alat musik yang dipakai Ian Antono adalah gitar listrik. Tak ada efek macam-macam yang dgunakan selain sebuah delay. Dari alat musik yang Ian Antono gunakan, dapat disimpulkan bahwa musik rock yang Ian mainkan merupakan musik rock yang sederhana (Sakrie, 2014). 2.3.4 Abdee Negara Musik Rock Abdee Negara mengkombinasikan musik rock dengan musik blues classic sehingga karakternya sangat kuat. Musik Abdee Negara mempunyai karakter yang asik dan mudah diresap oleh pecinta musik rock. Bahkan banyak lagu yang menjadi hits (Slank, 2013).

2.3 Ekstraksi Ciri Ekstraksi ciri musik menggunakan metode yang dikemukakan oleh George Tzanetakis. Metode tersebut menggunakan teori-teori pada pemrosesan sinyal digital. Pada metode tersebut, ciri musik dibagi menjadi 4


yaitu musical surface features, beat related features, musical surface features from mel-frequency cepstral coefficients dan pitch related features (Tzanetakis, 2002). 2.3.1

Pemrosesan Sinyal Digital Pemrosesan Sinyal Digital digunakan pada metode ekstraksi ciri musik untuk memetakan sinyal ke domain lain (Analisa Fourier), Penjendelaan untuk meminimalkan sinyal yang terdiskontinu (Hamming Window). Kedua proses tersebut sangat penting untuk ekstraksi ciri musik pada metode yang dikemukakan oleh George Tzanetakis (Tzanetakis, 2002). a.

Analisa Fourier Analisa Fourier digunakan untuk memecah sinyal menjadi komponen-komponen sinusoidal. Analisa Fourier adalah cara untuk menguraikan sinyal menjadi gelombang sinus dan kosinus (Oppenheim & Schafer, 1994). Analisa Fourier dapat dilakukan menggunakan transformasi matematis pada sinyal kontinu, yang dirumuskan dengan ∞

𝑋(𝑓) = ∫−∞ 𝑥(𝑡)𝑒 −𝑓2𝜋𝑓𝑡 𝑑𝑡

(2.1)

Invers transformasinya: ∞

𝑥(𝑡) = ∫−∞ 𝑋(𝑓)𝑒 𝑓2𝜋𝑓𝑡 𝑑𝑓

(2.2)

Pada analisa Fourier terdapat metode matematis yang dapat dengan cepat mentrasformasi sinyal berdomain waktu ke


domain frekuensi, yaitu Fast Fourier Trasform(FFT). Yang di rumuskan sebagai berikut. -

Mengambil nilai real 𝑟𝑒𝑎𝑙 = ∑𝑁−1 𝑡=0 𝑥[𝑡]cos⁡[

-

2.𝜋.𝑘.𝑡 𝑁

]

Mengambil nilai imaginer 𝑖𝑚𝑎𝑔𝑖𝑛𝑒𝑟 = ∑𝑁−1 𝑡=0 𝑥[𝑡]sin⁡[

-

(2.3)


]

(2.4)

Mengambil nilai magnitude dengan substitusi nilai real dan imaginer. 𝑚𝑎𝑔𝑛𝑖𝑡𝑢𝑑𝑒(𝑘) = √𝑟𝑒𝑎𝑙(𝑘)2 |𝑖𝑚𝑎𝑔𝑖𝑛𝑒𝑟(𝑘)2

(2.5)

FFT jika di inverse akan menjadi [𝑡] = ∑𝑁/2 𝑘=0 𝑟𝑒𝑎𝑙(𝑘)𝑐𝑜𝑠 [ Inverse

2.𝜋.𝑘.𝑡

fast

𝑁

𝑁/2

] + ∑𝑘=0 𝑖𝑚𝑎𝑔𝑖𝑛𝑒𝑟(𝑘)𝑠𝑖𝑛 [

fourier

transform

(IFFT)


]

(2.6)

berguna

untuk

mengembalikan sinyal dari domain frekuensi ke domain waktu. b. Hamming Window Hamming

Window

digunakan

untuk

menaikan

dan

menghimpitkan sinyal sehingga bentuk gelombang turun dan mempunyai nilai puncak (Oppenheim & Schafer, 1994). Hamming window dirumuskan dengan. 2.𝜋.𝑛

ℎ𝑡 = 0,54 − 0,46𝑐𝑜𝑠 [(𝑁−1)] ⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡0 ≤ 𝑛 ≤ 𝑁 − 1

(2.7)


2.3.2

Musical Surface Features Ciri ini berhubungan dengan permukaan spectral musik. Permukaan

spectral

musik

berkaitan

dengan

tekstur

dan

instrumentasi musik (Tzanetakis, 2002). Pada ciri ini akan didapat nilai-nilai sebagai berikut: 1.

Rata-rata centroid

2.

Rata-rata roll off

3.

Rata-rata flux

4.

Rata-rata zero crossing rate

5.

Varian centroid

6.

Varian roll off

7.

Varian flux

8.

Varian zero cross

9.

Low Energy

Penjelasan Tiap ciri : 1.

Spectral Centroid Spectral centroid mengukur ketajaman suara. Spectral centroid dirumuskan sebagai berikut. 𝐶=

∑𝑁 𝑛=1 𝑀𝑡 [𝑛].𝑛 ∑𝑁 𝑛=1 𝑀𝑡 [𝑛]

(2.8)

Dimana 𝑀𝑡 [𝑛] adalah magnitude pada frame ke t dan frekuensi n.


2.

Spectral Roll off Roll off digunakan untuk mengukur ketajaman spectral pada presentase= r. Roll off dirumuskan sebagai berikut. ∑𝑅𝑛=1 𝑀𝑡 [𝑛] = 𝑟. ∑𝑅𝑛=1 𝑀𝑡 [𝑛]

3.

(2.9)

Spectral Flux Flux adalah ukuran perubahan spectral local yang dirumuskan sebagai berikut. 2 𝐹 = ∑𝑀 𝑛=1(𝑀𝑡 [𝑛] − 𝑀𝑡−1 [𝑛])

4.

(2.10)

Spectral Zero Crossing Rate Zero crossing rate adalah perubahan nilai amplitudo dari positif ke negatif atau sebaliknya. Zero crossing rate dirumuskan dengan. 𝑍 = ∑𝑁 𝑛=1|𝑠(𝑥[𝑛]) − 𝑠(𝑥[𝑛 − 1])|

(2.11)

Dimana 𝑥[𝑛] adalah sinyal domain waktu dan 𝑠 = 1 jika argumen positif, jika argumen negatif 𝑠 = 0. 5.

Low Energy Low energy merupakan presentase dari window yang mempunyai energi lebih kecil dari rata-rata energi keseluruhan window. Contohnya saat lagu pada posisi diam.


2.4 Jaringan Syaraf Tiruan Propagasi Balik 2.4.1 Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan adalah sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologis (Siang, 2007). Jaringan Syaraf Tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologis dengan asumsi: 1.

Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

2.

Sinyal dikirimkan melalui neuron-neuron melalui penghubungpenghubung.

3.

Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.

4.

Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.

Jaringan Syaraf Tiruan ditentukan oleh 3 hal: 1.

Pola hubungan antar neuron (arsitekstur jaringan).

2.

Metode untuk menentukan bobot penghubung.

3.

Fungsi aktivasi Arsitekstur Jaringan Syaraf Tiruan merupakan salah satu

penentu Jaringan Syarat tiruan.


Macam Arsitekstur Jaringan Syaraf Tiruan: 1.

Jaringan Lapis Tunggal Dalam jaringan ini, sekumpulan input dihubungkan dengan sekumpulan outputnya. Dalam jaringan lapis tunggal bobot satu unit keluaran tidak mempengaruhi bobot unit keluaran lainnya.

X1

W11

Y1

Wi1 Wn1

Xi

W1j Wij

Yi

Wnj Wim Xn

Input unit

Wnm

W1m Yn

output unit

Gambar 2.1 Ilustrasi Jaringan Lapis Tunggal (Siang, 2007)

Pada Gambar 2.1 terdapat n unit input (X1, X2,…,Xn) dan m buah unit output (Y1, Y2,…,Ym). Kemudian Wij menyatakan bobot hubungan antara unit ke-i dalam input dengan unit ke-j dalam output. Selama proses pelatihan bobot-bobot tersebut akan dimodifikasi untuk memperoleh keakuratan hasil yang maksimal.


2.

Jaringan Lapis Majemuk Jaringan lapis majemuk merupakan perluasan dari jaringan lapis tunggal. Dalam jaringan lapis majemuk, selain unit input dan output, ada pula unit lain, yang berada diantara unit input dan output (sering disebut lapis tersembunyi). Dalam jaringan ini dimungkinkan ada beberapa lapis tersembunyi. Unit dalam satu layar tidak saling berhubungan.

X1

V11 Vi1

Xi

Xn

Input unit

Z1

Wp1

Vn1 V1j

Vij Vnj

V1p Vip Vnp

Y1

W11 Wj1

W1k Zj

Zp

Hidden unit

Wjk Wpk W1m Wjm Wpm

Yk

Ym

output unit

Gambar 2.2 Ilustrasi Jaringan Lapis Majemuk (Siang, 2007)

Pada Gambar 2.2 terdapat n buah unit input (X1, X2,…,Xn) dan m buah unit output (Y1, Y2,…,Ym), sebuah lapis tersembunyi yang terdiri dari p buah unit (Z1, Z2,…,Zp). Jaringan ini dapat menyelesaikan masalah yang lebih komplek.


2.4.2 Jaringan Syaraf Tiruan Propagasi Balik Jaringan Syaraf Tiruan Propagasi Balik membandingkan perhitungan keluaran jaringan syaraf tiruan dengan target keluaran dan menghitung nilai error untuk setiap unit jaringan. 1.

Arsitekstur Jaringan Syaraf Tiruan Propagasi Balik 1

X1

1

V01 V11 Vi1 Vn1

V1j Xi

W01 Z1

Zj

Vnj

Input unit

Vnp

W0k W1k Wjk

Yk

Wpk W0m W1m Wjm

V0p V1p Vip Xn

Y1

Wj1 Wp1

V0j

Vij

W11

Zp

Hidden unit

Wpm

Ym

output unit

Gambar 2.3 Ilustrasi Jaringan Syaraf Tiruan Propagasi Balik (Siang, 2007)

Gambar 2.3 merupakan arsitekstur jaringan syaraf tiruan propagasi balik dengan n buah masukan ditambah sebuah bias,


sebuah lapis tersembunyi yang terdiri dari p unit ditambah sebuah bias, dan sebuah lapis unit keluaran. 2.

Fungsi Aktivasi Dalam jaringan syaraf tiruan propagasi balik, fungsi aktivasi harus memenuhi syarat: kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi aktivasi yang memenuhi syarat tersebut adalah fungsi sigmoid biner dengan rentang (0, 1). 1

𝑓(𝑥) = 1+𝑒 −𝑥 dengan turunannya 𝑓 ′ (𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥))

(2.12)

Fungsi lain yang juga memenuhi syarat tersebut adalah fungsi sigmoid bipolar dengan rentang (-1, 1). 2

𝑓(𝑥) = 1+𝑒 −𝑥 − 1 dengan turunnannya 𝑓 ′ (𝑥) = ⁡

(1+𝑓(𝑥))(1−𝑓(𝑥)) 2

(2.13)

Fungsi sigmoid memiliki nilai maksimum = 1. Makan untuk pola tergetnya > 1, pola masukan dan keluaran harus terlebih dahulu ditrasformasi sehingga polanya memiliki rentang yang sama seperti fungsi sigmoid yang dipakai. Cara lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layar yang bukan layar keluaran, pada layar keluaran cukup menggunakan fungsi identitas 𝑓(𝑥) = 𝑥. 3.

Proses Pelatihan Jaringan Syaraf Tiruan Propagasi Balik Proses Pelatihan Jaringan Syaraf Tiruan Propagasi Balik terdiri dari 3 proses yaitu propagasi maju, propagasi mundur, perubahan bobot. Ketiga proses tersebut diulang-ulang sampai


kondisi penghentian terpenuhi. Umumnya penghentian yang dipakai adalah iterasi dan error. Iterasi akan dihentikan jika iterasi melebihi iterasi yang ditentukan. Atau jika error sudah lebih kecil dari yang ditentukan. 1.

Propagasi maju Selama propagasi maju, sinyal masukan (𝑥𝑖 ) dipropagasi ke lapis tersembunyi. Keluaran dari tiap unit tersembunyi tersebut (𝑧𝑗 ) di propagasi maju lagi ke lapis tersembunyi diatasnya. Demikian seterusnya hingga mendapatkan luaran jaringan (𝑦𝑘 ). Berikutnya, luaran jaringan (𝑦𝑘 ) dibandingkan dengan target yang harus dicapai (𝑡𝑘 ). Selisih 𝑡𝑘 − 𝑦𝑘 adalah error yang terjadi. Jika error lebih kecil dari yang telah ditentukan, maka iterasi dihentikan, jika tidak, maka bobot setiap garis dimodifikasi untuk mengurangi nilai error agar lebih kecil dari ketentuan.

2.

Propagasi mundur Berdasarkan error⁡𝑡𝑘 − 𝑦𝑘 , dihitung faktor 𝛿𝑘 (𝑘 = 1,2, …⁡, 𝑚) yang dipakai untuk mendistribusikan errordi unit 𝑦𝑘 ke semua unit tersembunyi yang terhubung langsung dengan 𝑦𝑘 . 𝛿𝑘 juga dipakai untuk mengubah bobot garis yang terhubung langsung dengan unit keluaran.


Dengan cara yang sama, dihitung faktor 𝛿𝑗 , di setiap unit lapis tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari lapis dibawahnya. Demikian seterusnya sampai faktor 𝛿 di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. 3.

Perubahan bobot Setelah semua faktor 𝛿 dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot satu garis didasarkan atas faktor 𝛿 neuron di lapis atasnya.

Algoritma pelatihan dengan 1 lapis tersembunyi dan fungsi aktifasi sigmoid biner. Adalah sebagai berikut: Langkah 1: Inisialisasi semua bobot dengan bilangan acak kecil. Langkah 2: jika kondisi penghentian belum terpenuhi maka lakukan langkah 2-9. Fase I. Langkah 3: tiap unit masukan menerima sinyal kemudian meneruskan ke unit tersembunyi di atasnya. Langkah 4: hitung semua keluaran di unit tersembunyi 𝑧𝑗 (j = 1, 2, … , p) 𝑧_𝑛𝑒𝑡𝑗 = ⁡ 𝑣𝑗𝑜 + ∑𝑛𝑖=1 𝑥𝑖 𝑣𝑗𝑖

(2.14)

𝑧𝑗 = 𝑓(𝑧_𝑛𝑒𝑡𝑗 )

(2.15)


Langkah 5: hitung semua keluaran di unit tersembunyi 𝑦𝑘 (k = 1, 2, … , m). 𝑦_𝑛𝑒𝑡𝑘 = ⁡ 𝑤𝑘𝑜 + ∑𝑛𝑗=1 𝑧𝑗 𝑤𝑘𝑗

(2.16)

𝑧𝑗 = 𝑓(𝑦_𝑛𝑒𝑡𝑘 )

(2.17)

Fase II. Langkah 6: hitung faktor 𝛿𝑘 unit keluaran berdasarkan error setiap unit keluaran 𝑦𝑘 (k = 1, 2, … , m). 𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘 )𝑦𝑘 (1 − 𝑦𝑘 )

(2.18)

Hitung suku perubahan bobot 𝑤𝑘𝑗 dengan laju percepatan 𝛼 ∆𝑤𝑘𝑗 = ⁡𝛼𝛿𝑘 𝑧𝑗 ; 𝑘 = ⁡1, 2, … , 𝑚;𝑗 = 0, 1, … , 𝑝

(2.19)

Langkah 7: hitung faktor 𝛿 unit tersembunyi berdasarkan error di setiap unit tersembunyi 𝑧𝑗 = (𝑗 = 1,2, … , 𝑝) 𝛿_𝑛𝑒𝑡𝑖 = ∑𝑚 𝑘=1 𝛿𝑘 𝑤𝑘𝑗

(2.20)

𝛿𝑖 = 𝛿_𝑛𝑒𝑡𝑖 𝑧𝑗 (1 − 𝑧𝑗 )

(2.21)

Hitung suku perubahan bobot 𝑣𝑗𝑖 ∆𝑣𝑗𝑖 = 𝛼𝛿𝑖 𝑥𝑖 ; = 1,2, … , 𝑝 ; 𝑖 = 0,1, … , 𝑛

(2.22)

Fase III Langkah 8: Hitung semua perubahan bobot Perubahan bobot garis yang menuju ke unit keluaran: 𝑤𝑘𝑗 (𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗 (𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 0,1, … , 𝑝)

(𝑘 = 1,2, … , 𝑚⁡; 𝑗 = (2.23)


Perubahan bobot garis yang menuju ke unit tersembunyi: 𝑣𝑗𝑖 (𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖 (𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 (𝑗 = 1,2, … , 𝑝⁡; 𝑖 = 0,1, … , 𝑛)

(2.24)

Langkah 9: bandingkan kondisi penghentian

Jaringan Syaraf Tiruan Propagasi Balik memiliki kelemahan tentang berapa epoch yang harus dilalui untuk memperoleh hasil yang diinginkan. Faktor-faktor penting dari Jaringan Syaraf Tiruan Propagasi Balik agar jaringan bekerja dengan maksimal adalah: 1.

Pemilihan Bobot dan Bias Awal Nguyen dan widrow (1990) mengusulkan cara membuat inisialisasi bobot dan bias ke unit tersembunyi sehingga menghasilkan iterasi yang lebih cepat. Missal: n

= jumlah unit masukan

p

= jumlah unit tersembunyi

𝛽

= factor skala = 0.7 𝑛√𝑝

Algoritma inisialisasi: Langkah 1: Inisisalisasi semua bobot (𝑣𝑗𝑖 (𝑙𝑎𝑚𝑎)) dengan bilangan acak dalam interval [-0.5, 0.5].


Langkah 2:

2 2 2 hitung ‖𝑣𝑗 ‖ = √𝑣𝑗1 + 𝑣𝑗2 + ⋯ + 𝑣𝑗𝑛

Langkah 3:

bobot yang dipakai sebagai inisialisasi = 𝑣𝑗𝑖 =

𝛽𝑣𝑗𝑖 (𝑙𝑎𝑚𝑎)

(2.26)

‖𝑣𝑗 ‖

Langkah 4:

(2.25)

bias yang dipakai sebagai inisialisasi = ⁡ 𝑣𝑗0 =

bilangan acak antara – 𝛽 dan 𝛽. 2.

Jumlah Unit Tersembunyi Jaringan dengan sebuah lapis tersembunyi sudah cukup bagi Jaringan Syaraf Tiruan Propagasi Balik untuk mengenali sembarang kelas antara masukan dan target dengan tingkat ketelitian yang ditentukan. Jika jaringan memiliki lebih dari 1 lapis tersembunyi maka algoritma pelatihan perlu direvisi. Dalam Fase I, keluaran harus dihitung untuk tiap lapis, dimulai dari lapis tersembunyi paling bawah. Kemudian dalam fase II, faktor 𝛿 perlu dihitung untuk tiap lapis tersembunyi, dimulai dari lapis keluaran.

3.

Jumlah Pola Pelatihan Jumlah pola pelatihan ditentukan oleh banyaknya bobot dan tingkat akurasi yang diinginkan. 𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑏𝑜𝑏𝑜𝑡

𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑝𝑜𝑙𝑎 = ⁡ 𝑡𝑖𝑛𝑔𝑘𝑎𝑡⁡𝑎𝑘𝑢𝑟𝑎𝑠𝑖

(2.27)


2.5 K-Fold Cross Validation K-Fold Cross Validation adalah metode yang digunakan dalam proses pengujian klasifikasi data. Data dibagi menjadi k bagian kemudian bagian satu dan bagian yang lain ditukar-tukar sebanyak k (Tan, Steinbach, & Kumar, 2006). Sebagai contoh data dibagi menjadi 2 bagian dengan jumlah yang sama. Pertama data bagian 1 digunakan sebagai data pelatihan dan data bagian 2 digunakan sebagai data pengujian. Kedua data bagian 2 digunakan sebagai data pelatihan dan data bagian 1 digunakan sebagai data pengujian. Contoh ini disebut sebagai 2-Fold Cross Validation. K-Fold Cross Validation menjadikan data pelatihan dan pengujian tidak sama. Data pelatihan tidak digunakan sebagai data pengujian.

2.6 Confusion Matrix Data pelatihan dan pengujian merupakan data yang berbeda sehingga klasifikasi dapat diuji dengan benar. Akurasi dari klasifikasi dihitung dari jumlah data yang dikenali sesuai dengan target kelasnya. Perhitungan akurasi klasifikasi data dihitung menggunakan tabel yang bernama Confusion Matrix (Tan, Steinbach, & Kumar, 2006). Pada tabel 2.1 merupakan Confusion Matrix untuk klasifikasi 2 kelas.


Tabel 2.1 Confusion Matrix 2 kelas (Tan, Steinbach, & Kumar, 2006).

Target 1 kelas 0

Hasil pengujian 1 0 F11 F10 F01 F00

Fij adalah jumlah data yang dikenali sebagai kelas j dengan target kelas i. Dari Tabel 2.1 didapat persamaan-persamaan untuk menghitung akurasi dan tingkat kesalahan suatu klasifikasi: 1.

Persamaan untuk menghitung akurasi keseluruhan klasifikasi

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = ⁡ 2.

𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑠𝑒𝑚𝑢𝑎⁡𝑑𝑎𝑡𝑎

𝐹10+𝐹01

= ⁡ 𝐹11+𝐹10+𝐹01+𝐹00

(2.29)

𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑑𝑎𝑡𝑎⁡𝑠𝑒𝑠𝑢𝑎𝑖⁡𝑡𝑎𝑟𝑔𝑒𝑡⁡𝑘𝑒𝑙𝑎𝑠⁡1 𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑠𝑒𝑚𝑢𝑎⁡𝑑𝑎𝑡𝑎⁡𝑘𝑒𝑙𝑎𝑠⁡1

𝐹11

= ⁡ 𝐹11+𝐹10

(2.30)

𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑑𝑎𝑡𝑎⁡𝑡𝑖𝑑𝑎𝑘⁡𝑠𝑒𝑠𝑢𝑎𝑖⁡𝑡𝑎𝑟𝑔𝑒𝑡⁡𝑘𝑒𝑙𝑎𝑠⁡1 𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑠𝑒𝑚𝑢𝑎⁡𝑑𝑎𝑡𝑎⁡𝑘𝑒𝑙𝑎𝑠⁡1

𝐹10

= ⁡ 𝐹11+𝐹10

(2.31)

Persamaan untuk menghitung akurasi klasifikasi kelas 0


𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑑𝑎𝑡𝑎⁡𝑡𝑖𝑑𝑎𝑘⁡𝑠𝑒𝑠𝑢𝑎𝑖⁡𝑡𝑎𝑟𝑔𝑒𝑡⁡𝑘𝑒𝑙𝑎𝑠

Persamaan untuk menghitung error klasifikasi kelas 1


(2.28)

Persamaan untuk menghitung akurasi klasifikasi kelas 1


𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑠𝑒𝑚𝑢𝑎⁡𝑑𝑎𝑡𝑎

𝐹11+𝐹00

= ⁡ 𝐹11+𝐹10+𝐹01+𝐹00

Persamaan untuk menghitung error keseluruhan klasifikasi


𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑑𝑎𝑡𝑎⁡𝑠𝑒𝑠𝑢𝑎𝑖⁡𝑡𝑎𝑟𝑔𝑒𝑡⁡𝑘𝑒𝑙𝑎𝑠

𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑑𝑎𝑡𝑎⁡𝑠𝑒𝑠𝑢𝑎𝑖⁡𝑡𝑎𝑟𝑔𝑒𝑡⁡𝑘𝑒𝑙𝑎𝑠⁡0 𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑠𝑒𝑚𝑢𝑎⁡𝑑𝑎𝑡𝑎⁡𝑘𝑒𝑙𝑎𝑠⁡0

𝐹00

= ⁡ 𝐹01+𝐹00

(2.32)

Persamaan untuk menghitung error klasifikasi kelas 0

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = ⁡

𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑑𝑎𝑡𝑎⁡𝑡𝑖𝑑𝑎𝑘⁡𝑠𝑒𝑠𝑢𝑎𝑖⁡𝑡𝑎𝑟𝑔𝑒𝑡⁡𝑘𝑒𝑙𝑎𝑠⁡0 𝑗𝑢𝑚𝑙𝑎ℎ⁡𝑠𝑒𝑚𝑢𝑎⁡𝑑𝑎𝑡𝑎⁡𝑘𝑒𝑙𝑎𝑠⁡0

𝐹01

= ⁡ 𝐹01+𝐹00

(2.33)


3. BAB III ANALISIS DAN DESAIN SISTEM

Bab ini berisi analisa kebutuhan sistem mencakup metode yang digunakan untuk ekstraksi ciri lagu, klasifikasi lagu dan pengujian sistem. Selain kebutuhan sistem Bab ini juga berisi perancangan sistem mencakup ekstraksi ciri, klasifikasi, pengujian dan perancangan antarmuka.

3.1 Analisa Kebutuhan Sub Bab ini berisi analisa pencipta lagu yang dipilih, sample lagu untuk proses pelatihan dan pengujian sistem, metode ekstraksi ciri, klasifikasi dengan jaringan syaraf tiruan propagasi balik, pengujian sistem dan kebutuhan sistem. 3.1.1 Analisa Pencipta Lagu Pencipta lagu yang dipilih dalam klasifikasi ini adalah Ahmad Dhani, Dewa Budjana, Ian Antono, dan Abdee Negara. Ke empat musisi atau pencipta lagu tersebut telah menciptakan banyak lagu sehingga proses pelatihan menjadi lebih maksimal karena banyaknya data. Ke empat pencipta lagu tersebut juga mempunyai genre musik yang sama yaitu musik rock. 3.1.2 Analisa Data Data berupa 40 lagu, 10 lagu dari tiap pencipta lagu. 10 lagu tersebut akan melalui proses sebelum diolah dalam proses ekstraksi ciri. Preprosesing tersebut adalah konversi dari file mp3 yang sudah

24


banyak melalui pengompresan ke file audio .wav dengan format PCM, frekuensi 44100 hz, 8 bit, audio tipe mono. hal itu diperlukan untuk mendapat informasi yang utuh dari setiap lagu. Proses ini membutuhkan aplikasi Sony Sound Forge Audio Studio 10. Aplikasi tersebut tidak hanya digunakan untuk konversi audio tipe mp3 ke wav, namun juga digunakan untuk memotong-motong lagu menjadi 5 file audio dengan panjang masing-masing 5 detik. 5 file tersebut dipotong dari tiap file lagu secara berurutan setelah menit pertama. Proses tersebut menghasilkan 50 file audio untuk setiap pencipta lagu, sehingga menjadi 200 file wav. 200 file tersebut yang siap diolah dalam proses ekstraksi ciri. 3.1.3 Metode Ekstraksi Ciri Lagu Metode ekstraksi ciri menggunakan metode dari George Tzanetakis

yang

mendapatkan hasil

bernama

Music

Surface

ekstraksi ciri diperlukan

Feature.

Untuk

metode

dalam

pemrosesan sinya digital yaitu Fast Fourier Transform, Inverse Fourier Transform dan Hamming Window. Metode ekistraksi ciri tersebut dipilih karena memiliki nilai-nilai yang dapat digunakan untuk ekstraksi ciri lagu. Tidak hanya itu metode tersebut dapat merepresentasikan instrumen lagu dari tiap pencipta lagu.


3.1.4 Metode Klasifikasi Metode klasifikasi menggunakan jaringan syaraf tiruan propagasi balik dipilih karena memberikan hasil yang akurat dengan sampel diluar kumpulan sampel yang digunakan untuk pelatihan. Berikut nilai-nilai parameter yang digunakan pada jaringan syaraf tiruan propagasi balik: 1.

Epoch/iterasi = 5000

2.

Kecepatan pembelajaran = 0,1

3.

Target error = 0,01 atau 1%

4.

Lapisan tersembunyi = 1 lapis

5.

Fungsi aktifasi = sigmoid bipolar

6.

Inisialisasi bobot menggunakan metode Nguyen dan Widrow.

3.1.5 Metode Pengujian Metode pengujian yang digunakan adalah 5-Fold Cross Validation. Metode ini dipakai karena memberikan data yang berbeda untuk klasifikasi dan pengujian. Sehingga akurasi sistem dapat diketahui dengan benar. Hasil dari tiap percobaan akan dimasukan ke dalam tabel Confusion Matrix untuk menghitung akurasi klasifikasi data. Tahap pengujian dilakukan pada proses mencari ciri lagu terbaik dan arsitekstur jaringan syaraf tiruan terbaik.


3.1.6 Kebutuhan Sistem Sistem ini mempunyai kebutuhan perangkat keras dan lunak untuk mendapatkan hasil yang maksimal. 1.

Kebutuhan Perangkat Keras Sistem

ini

membutuhkan

perangkat

keras

dengan

spesifikasi minimal sebagai berikut: 1.

Processor

: AMD FX 6100, six core, 3,3GHz

2.

Memory

: 4 GB

3.

Hard drive

: 160 GB

4.

Soundcard

: Speaker HD audio device

Spesifikasi tersebut dipilih agar sistem berjalan dengan maksimal 2.

Kebutuhan Perangkat Lunak Sistem ini membutuhkan perangkat lunak untuk pembuatan dan menjalankannya, perangkat lunak tersebut adalah sebagai berikut: 1.

Microsoft Windows 8.1

2.

Matlab 2014

3.

Sony Sound Forge Audio Studio 10.0 Microsoft Windows 8.1 digunakan sebagai sistem operasi

agar kedua perangkat lunak lainnya dapat berjalan. Matlab 2010 digunakan untuk membuat sistem sekaligus menjalankan sistem.


Sony Sound Forge Audio Studio 10.0 digunakan untuk mengolah data sebelum diolah oleh sistem.

3.2 Perancangan Sistem Sub bab ini berisi perancangan sistem dari perancangan proses pelatihan sampai ke proses pengujian. Pada proses pelatihan dan pengujian terdapat proses ekstraksi ciri lagu yang menggunakan metode Music Surface Feature yang dikemukakan oleh George Tzanetakis. Pada proses pelatihan masukan berupa file audio dengan tipe file .wav dan frekuensi 44100 hz. Kemudian diambil ciri-ciri audionya. Langkah selanjutnya ciri-ciri audio dan target/label keluaran dimasukan ke jaringan syaraf tiruan propagasi balik, yang kemudian menghasilkan model jaringan syaraf tiruan. DATA

EKSTRAKSI CIRI

JARINGAN SYARAF TIRUAN PROPAGASI BALIK

MODEL JARINGAN

Gambar 3.1 Diagram Blok Proses Pelatihan

Hasil dari proses pelatihan yang berupa model jaringan dipakai di proses pengujian. Sama dengan proses pelatihan, data mentah diambil cirinya kemudian diproses pada model jaringan. Hasil dari model jaringan tersebut akan dibandingkan dengan target keluaran.


DATA

EKSTRAKSI CIRI

MODEL JARINGAN

HASIL KLASIFIKASI

Gambar 3.2 Diagram Blok Proses Pengujian 3.2.1 Ekstraksi Ciri Proses ekstraksi ciri dilakukan pada semua data mentah. Pada proses pelatihan ekstraksi ciri dilakukan pada semua data mentah kemudian disimpan pada variabel untuk setiap ciri. Keluaran dari proses ini berupa nilai numerik sejumlah 9, sesuai dengan jumlah ciri lagu. Ada 8 tahap ekstraksi ciri, dari membaca data mentah sampai mendapatkan 9 nilai ciri lagu. Tahap tersebut adalah: 1.

Hamming window

2.

Fast fourier transform (FFT)

3.

Inverse Fast fourier transform (IFFT)

4.

Pengambilan ciri Centroid

5.

Pengambilan ciri Roll Off

6.

Pengambilan ciri Flux

7.

Pengambilan ciri Zero Cross Rate

8.

Pengambilan ciri Low Energy


Diagram dibawah ini merupakan urutan dari proses ekstraksi ciri: Lagu *.wav

Hamming window

FFT IFFT

Spectral Zero Cross

Spectral Centroid

Low Enegy

Spectral Roll off

Spectral Flux

Gambar 3.3 Diagram Blok Proses Ekstraksi Ciri

Pada Gambar 3.3 proses dimulai dari pengambilan data mentah, kemudian masuk ke proses Hamming Window. Pada tahap Hamming Window, data yang sudah dalam bentuk frame dipadatkan. Sehingga bentuk gelombang akan naik. Hal ini dapat diartikan menormalisasi sinyal digital. Tahap ini dapat dilihat pada Gambar 3.4.


START

i=1, j=1

NO i<=40

YES NO J<=1024

YES amplitude(i, j) = amplitude(i,j) * (0.54 - (0.46 * cos (2 * pi * j / 1023)))

END

Gambar 3.4 Hamming Window

Proses berlanjut ke tahap Fast Fourier Transform (FFT), pada proses ini sinyal audio dikonversi ke dalam domain berbasis frekuensi. Tahap FFT dapat dilihat pada Gambar 3.5.


START

i=1, j=1, k=1

NO

i<=40

YES

NO i<=40

k<=512

YES NO

NO

YES

k<=512

YES j<=1024

NO

magnitude(i, k) = sqrt((real(i, k) * real(i, k)) + (imaginer(i, k) * imaginer(i, k)))

YES real(i, k) = real(i, k) + (amplitude(i, j) * cos(2 * 3.14 * k * j / 1024))

imaginer(i, k) = imaginer(i, k) (amplitude(i, j) * sin(2 * 3.14 * k * j / 1024))

Gambar 3.5 Fast Fourier Transform

END


Tahap selanjutnya adalah Inverse Fast Fourier Transform (IFFT), pada tahap ini sinyal domain frekuensi dikembalikan ke proses domain waktu. Tahap IFFT dapat dilihat pada Gambar 3.6. START

i=1, j=1, k=1

i<=40

YES

NO i<=40

NO

YES NO

NO

j<=1024

YES

k<=512

YES real(i, k) = real(i, k) / (1024 / 2)

imaginer(i, k) = -imaginer(i, k) / (1024 / 2)

k<=512

NO

YES amplitude1(i, j) = amplitude1(i, j) + real(i, k) * cos(2 * 3.14 * k * j / 1024)

amplitude1(i, j) = amplitude1(i, j) + imaginer(i, k) * sin(2 * 3.14 * k * j / 1024)

i<=40

real(i, 1) = real(i, 1) / 2 real(i, 512) = real(i, 512) / 2

END

Gambar 3.6 Inverse Fast Fourier Transform


Proses selanjutnya adalah mengambil 6 ciri lagu. Yaitu rata-rata dan varian dari Spectral Centroid, Roll Off dan Flux. 7.

Spectral Centroid Input proses tahap ini adalah magnitude yang merupakan hasil dari tahap FFT. Magnitude tersebut akan melalui proses sesuai dengan persamaan 2.8. Hasil dari proses ini adalah Spectral Centroid. Dari spectral tersebut akan dihitung nilai ratarata dan variannya. Tahap Centroid dapat dilihat pada Gambar 3.7 START

i=1, j=1, rat_cen=0, var_cen=0

i<=40

YES

YES

i<=40

NO

NO

magni(i) = (((1 - (-1)) * magni(i)) + ((-1) * max1) - (1 * min1)) / (max1 - min1)

YES j<=512

NO rat_cen = rat_cen/40

YES

NO i<=40

magni(i) = magni(i) + (magnitude(i,j)*j)

YES

magni1(i) = magni1(i) + magnitude(i,j)

var_cen = ((magni(i) - rat_cen) * (magni(i) - rat_cen)) + var_cen

var_cen = sqrt(var_cen / 39)

magni(i)=magni(i)/ magni1(i)

END

i=1

NO

YES min1 = magni(i)

min1 > magni(i)

YES min1 = magni(i)

NO

min1 > magni(i)

NO

YES max1 = magni(i)

max1 = magni(i)

Gambar 3.7 Ciri Centroid


8.

Spectral Roll Off Input proses tahap ini adalah magnitude yang merupakan hasil dari tahap FFT. Magnitude tersebut akan melalui proses sesuai dengan persamaan 2.9. Hasil dari proses ini adalah Spectral Roll Off. Dari spectral tersebut akan dihitung nilai ratarata dan variannya. Tahap Roll Off dapat dilihat pada Gambar 3.8. START

i<=40

i=1,j=1, var_ro=0, rat_ro=0

NO

YES magni(i) = (((1 - (-1)) * magni(i)) + ((-1) * max1) - (1 * min1)) / (max1 - min1)

NO

i<=40

rat_ro = rat_ro + magni(i)

YES NO

j<=512

rat_ro = rat_ro/40

YES i<=40

magni(i) = magnitude(i,j)+magni(i)

NO

YES var_ro = ((magni(i) - rat_ro) * (magni(i) - rat_ro)) + var_ro

var_ro = sqrt(var_ro/39)

magni(i)=magni(i)*0.8

i=1

NO

NO

min1 > magni(i)

YES

YES

min1=magni(i)

min1=magni(i)

max1 < magni(i)

NO

YES max1=magni(i)

max1=magni(i)

Gambar 3.8 Ciri Roll Off

END


9.

Spectral Flux Input proses tahap ini adalah magnitude yang merupakan hasil dari tahap FFT. Magnitude tersebut akan melalui proses sesuai dengan persamaan 2.10. Hasil dari proses ini adalah Spectral Flux. Dari spectral tersebut akan dihitung nilai rata-rata dan variannya. Tahap Flux dapat dilihat pada Gambar 3.9.

START

i=1,j=1, rat_flux = 0 var_flux = 0

NO

i<=40

YES NO

i<=40

temp2(i) = (((1 - (-1)) * temp2(i)) + ((-1) * max1) - (1 * min1)) / (max1 - min1)

YES NO

j<=512

rat_flux = temp2(i) + rat_flux

YES NO

j=1

rat_flux = rat_flux / 40

YES

temp1 = (magnitude(i, j) magnitude(i, j - 1)) * (magnitude(i, j) magnitude(i, j - 1))

temp1 = magnitude(i, j) * magnitude(i, j)

i<=40

NO

YES var_flux = ((temp2(i) - rat_flux) * (temp2(i) - rat_flux)) + var_flux

temp2(i) = temp2(i) + temp1

i=1

NO YES

min1 = temp2(i)

min1 > temp2(i)

YES min1 = temp2(i)

NO

max1 < temp2(i)

NO

var_flux = sqrt(var_flux / 39)

YES max1 = temp2(i)

max1 = temp2(i)

Gambar 3.9 Ciri Flux

END


Proses berikutnya setelah mengambil keenam ciri tersebut adalah mengambil 3 ciri berikutnya, yaitu rata-rata dan varian dari Zero Crossing Rate dan Low Energy. 1.

Spectral zero crossing rate Input proses tahap ini adalah amplitudo yang merupakan hasil dari tahap IFFT. Amplitudo tersebut akan melalui proses sesuai dengan persamaan 2.11. Hasil dari proses ini adalah Spectral Zero Crossing Rate. Dari spectral tersebut akan dihitung nilai rata-rata dan variannya. Tahap Zero Crossing Rate dapat dilihat pada Gambar 3.10.


START

i=1,j=1, rat_zc=0, var_zc=0

rat_zc = rat_zc / 40

i<=40 i<=40

NO

YES j<=1024

var_zc = ((zc(i) - rat_zc) * (zc(i) - rat_zc)) + var_zc

NO

YES j=1

amplitude(i, j) >= 0

temp2 = 0

temp1 = 1

amplitude(i, j) >= 0

temp1 = 1

var_zc = sqrt(var_zc / 39)

temp1 = 0

amplitude(i, j1) >= 0

temp2 = 1

temp2 = 0

temp1 = 0

temp1=temp1-temp2 zc(i) = (((1 - (-1)) * zc(i)) + ((-1) * 1024) - (1 * 0)) / (1024 - 0) temp1 < 0

rat_zc = rat_zc + zc(i) temp1 = -temp1

zc(i) = temp1 + zc(i)

Gambar 3.10 Ciri Zero Crossing Rate

END


2.

Low Energy Input proses tahap ini adalah amplitudo yang merupakan hasil dari tahap IFFT. Amplitudo tersebut akan melalui proses untuk mendapatkan persentase amplitudo yang dibawah rata-rata amplitudo pada setiap window. Hasil dari proses ini adalah 1 nilai numerik. Tahap Low Energy dapat dilihat pada Gambar 3.11. START

i<=40

i=1,j=1, low_en=0, temp2=0

YES i=1

i<=40

NO

low_en > low_en1(i)

YES

NO

YES

low_en = low_en1(i)

YES j<=1024

NO

low_en = low_en1(i)

NO

YES k=i-j

END

k >= 0 dan k <= 1024

NO

YES temp1 = 0.5

temp1 = 0

temp2 = ((amplitude(i, j) * temp1) * (amplitude(i, j) * temp1)) + temp2

low_en1(i) = low_en1(i) + temp2

low_en1(i) = low_en1(i) / 1024

Gambar 3.11 Ciri Low Energy

NO


Dari hasil ekstraksi ciri. Data yang diperoleh adalah nilai numerik berjumlah 9. Pada ciri 1 sampai 4 masing-masing terdapat 2 nilai dan 1 nilai untuk ciri 5. Tabel 3.1 adalah contoh hasil ekstraksi ciri. Tabel 3.1 Contoh Hasil Ekstraksi Ciri ciri 1 data

1 2 n

mean centroid

ciri 2

varian centroid

mean roll off

-0,21032 0,464161 0,488747 -0,29684 0,560839 0,436355 -0,30629 0,474475 0,48425

ciri 3 varian roll off

-0,41496 -0,27167 -0,08337

mean flux

ciri 4 varian flux

-0,35624 0,61223 -0,10333 0,64762 -0,41815 0,46766

mean varian zero zero low crossing crossing energy rate rate -0,90298 0,068425 0,001937 -0,89429 0,084715 0,00187 -0,84224 0,051587 0,001501

3.2.2 Klasifikasi dan Pengujian Sebelum masuk ke jaringan syaraf tiruan data dibagi menjadi 5 bagian untuk proses pelatihan dan pengujian. Data sejumlah 200 dibagi menjadi 5. Tabel 3.2 Five Fold Cross Validation percobaan 1 2 3 4

Training 1,2,3,4 1,2,3,5 1,2,4,5 1,3,4,5

Testing 5 4 3 2

5

2,3,4,5

1

Dari 5 percobaan pada Tabel 3.1, akan didapatkan tabel confusion matrix sehingga dapat dihitung akurasi sistem menggunakan persamaan 2.28.

ciri 5


Proses klasifikasi menggunakan jaringan syaraf tiruan propagasi balik. Dengan proses pengujian membandingkan kombinasi ciri lagu agar didapat ciri terbaik untuk proses klasifikasi. Setelah didapat kombinasi ciri lagu terbaik berikutnya mencari arsitekstur terbaik dari jaringan syaraf tiruan propagasi balik. Pada proses mencari ciri terbaik arsitekstur jaringan yang digunakan adalah: a.

Input jaringan 1,2,3,…, dan/atau 9 , sesuai dengan kombinasi ciri lagu.

b.

Lapisan jaringan sebanyak 3 lapis, dengan 2 lapis tersembunyi, dan 1 lapis keluaran.

c.

Jumlah jaringan pada lapisan tersembunyi pertama dan kedua masing-masing sebanyak 60.

d.

Jumlah jaringan pada lapisan keluaran adalah 4, sesuai dengan jumlah klasifikasi.

e.

Batas epoch 5000

f.

Target error 0,01

g.

Kecepatan pembelajaran 0,1

h.

Target luaran jaringan : Abdee Negara = (1,0,0,0), Dewa Budjana = (0,1,0,0), Ahmad Dhani = (0,0,1,0), Ian Antono = (0,0,0,1) Sedangkan pada proses pencarian arsitekstur terbaik input

jaringan akan disesuaikan dengan hasil kombinasi ciri terbaik. Pada pencarian arsitekstur jaringan terbaik, akan di uji coba beberapa jumlah lapisan tersembunyi, yaitu 1 lapis tersembunyi dan 2 lapis tersembunyi


dengan jumlah jaringan bervariasi, sesuai dengan input jaringan. Jumlah jaringan pada lapis tersembunyi adalah kelipatan dari input jaringan, yaitu sebanyak 10 kelipatan, contohnya jika input jaringan 10, maka variasi jumlah jaringan adalah 10, 20, 30,…, 90, 100. Pada jumlah lapis tersembunyi 1, semua jumlah jaringan akan diuji dan dicari akurasi tertinggi dengan syarat target error terpenuhi. Demikian pula pada 2 lapis tersembunyi, namun pada 2 lapis tersembunyi, jumlah jaringan pada lapis 1 dan 2 akan divariasikan.

3.3 Perancangan Atarmuka Sistem

Gambar 3.12 Rancangan Tampilan Antarmuka Sistem


Pada Gambar 4.12 dapat dilihat antarmuka sistem memiliki 3 panel fungsi dari sistem, yaitu: 1.

Ekstraksi ciri Pada panel ekstraksi ciri terdapat komponen-komponen sebagai berikut: a.

Edit text – berfungsi untuk menampilkan direktori data.

b.

Tombol cari data – berfungsi untuk membuka jendela pencarian file direktori.

c.

Listbox data – berfungsi untuk menampilkan list semua data.

d.

Tombol ekstraksi ciri – berfungsi untuk menjalankan proses ekstraksi ciri.

2.

Klasifikasi Pada panel klasifikasi terdapat komponen-komponen sebagai berikut: a. Panel ciri lagu – berfungsi untuk menampilkan checkbox ciri lagu. b. Checkbox ciri-ciri lagu – berfungsi untuk memilih ciri yang dipakai. c. Edit text hidden network 1 – berfungsi untuk memasukan jumlah jaringan lapis tersembunyi 1. d. Edit text hidden network 2 – berfungsi untuk memasukan jumlah jaringan lapis tersembunyi 2. e. Edit text goal – berfungsi untuk memasukan target error pada arsitekstur jaringan.


f. Edit text epoch – berfungsi untuk memasukan batas iterasi pada arsitekstur jaringan. g. Tombol klasifikasi – berfungsi untuk menjalankan proses klasifikasi. h. Text box confusion matrix – berfungsi untuk menampilkan confusion matrix. 3.

Uji lagu Pada panel uji lagu terdapat komponen-komponen sebagai berikut: a.

Edit text – berfungsi untuk menampilkan direktori data.

b.

Tombol cari lagu – berfungsi untuk membuka jendela pencarian file direktori.

c.

Text hasil – berfungsi untuk menampilkan hasil pengujian lagu.

d.

Tombol sinyal dan spektrogram – berfungsi untuk menampilkan gambar sinyal dan spektrogram data uji lagu.


4. BAB IV IMPLEMENTASI DAN EVALUASI

Bab ini berisi uraian implemantasi sistem berupa hasil penelitian dan analisa ciri lagu serta arsitekstur jaringan terbaik dan antarmuka sistem.

4.1 Hasil penelitian Hasil peneliatian ini adalah akurasi dari pengenalan lagu berdasarkan pencipta lagu. Ada dua kombinasi yang dilakukan dalam penelitian ini, yaitu kombinasi ciri lagu dan kombinasi jumlah jaringan. Contoh data audio berupa sinyal digital yang digunakan dalam penelitian ini dapat dilihat pada gambargambar dibawah ini. Data tersebut ditampilkan dalam bentuk sinyal digital dan spektrogram.

Gambar 4.1 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Abdee Negara

45


Gambar 4.2 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Dewa Budjana

Gambar 4.3 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Ahmad Dhani


Gambar 4.4 Contoh Sinyal dan Spektrogram Audio Lagu Ciptaan Ian Antono 4.1.1 Hasil Kombinasi Ciri Lagu Pada pencarian ciri lagu terbaik proses dilakukan dengan klasifikasi menggunakan jaringan syaraf tiruan propagasi baik dengan arsitekstur sebagai berikut: a.

Input jaringan 1,2,3,…, dan/atau 9 , sesuai dengan kombinasi ciri lagu.

b.

Lapisan jaringan sebanyak 3 lapis, dengan 2 lapis tersembunyi, dan 1 lapis keluaran.

c.

Jumlah jaringan pada lapisan tersembunyi pertama dan kedua masing-masing sebanyak 60.

d.

Jumlah jaringan pada lapisan keluaran adalah 4, sesuai dengan jumlah klasifikasi.

e.

Batas epoch 5000


f.

Target error 0,01

g.

Kecepatan pembelajaran 0,1

Hasil dari klasifikasi tersebut dapat dilihat pada tabel di bawah ini: Keterangan : a = Spectral Centroid b = Spectral Roll Off c = Spectral Flux d = Spectral Zero Crossing Rate e = Low Energy Tabel 4.1 Hasil Kombinasi Ciri no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

ciri a b c d e a,b a,c a,d a,e b,c b,d b,e c,d c,e d,e a,b,c a,b,d a,b,e a,c,d a,d,e a,c,e b,c,d

akurasi 29,63 34,55 44,00 50,50 33,81 39,15 49,28 64,50 36,57 46,15 63,50 31,51 63,00 40,19 58,50 49,30 58,37 44,55 62,86 54,00 55,34 60,50


23 24 25 26 27 28 29 30 31

b,c,e b,d,e c,d,e a,b,c,d a,b,c,e a,b,d,e a,c,d,e b,c,d,e a,b,c,d,e

49,50 60,00 58,50 60,00 54,33 60,77 60,00 57,50 65,00

Dari Tabel 4.1 dapat dilihat akurasi dari kombinasi semua ciri lagu. Pada tabel tersebut ada ciri a,b,c,d dan e, masing-masing adalah ciri Centroid, Roll off, Flux, Zero Crossing Rate dan Low Energy. Sedangkan a,b; a,b,c; a,b,c,d; a,b,c,d,e dan lain-lain merupakan kombinasi dari kelima ciri tersebut. Baris yang diberi warna kuning merupakan kombinasi ciri terbaik, karena mendapat akurasi klasifikasi tertinggi yaitu 65%. Kombinasi tersebut adalah a,b,c,d,e yaitu semua ciri lagu. Kombinasi tersebut akan menjadi input pada jaringan syaraf tiruan, untuk mencari arsitekstur terbaik. Untuk lebih mudah dalam membandingkan akurasi ciri satu dengan yang lainnya, dapat dilihat pada grafik di bawah ini.


Grafik Percobaan Ciri Lagu 70.00 60.00 50.00 40.00 30.00 20.00 10.00 0.00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 akurasi

Gambar 4.5 Grafik Kombinasi Ciri

Dari Gambar 4.5 dapat dilihat perubahan akurasi jika ciri dikombinasikan. Dapat dilihat pula bahwa kombinasi ciri terbaik adalah semua ciri dengan akurasi 65%.


4.1.2 Hasil Variasi Arsitekstur Jaringan 1.

Satu Lapis Tersembunyi Tabel 4.2 Hasil Variasi Jumlah Jaringan 1 Lapis Tersembunyi Jumlah neuron akurasi 18 68,57 27 67,50 36 68,50 45 65,55 54 66,50 63 67,00 72 59,71 81 63,29 90 65,50 99 58,54

no 1 2 3 4 5 6 7 8 9 10

Dapat dilihat dari Tabel 4.2 akurasi dari masing-masing jumlah jaringan. Akurasi tertinggi terdapat pada baris yang diberi warna kuning. Yaitu pada percobaan no 1 dengan jumlah jaringan 18 dan akurasi sebesar 68,57%. Untuk lebih mudah dalam membandingkan akurasi dari tiap percobaan dapat dilihat pada grafik di bawah ini.

Grafik Percobaan 1 Lapis Tersembunyi 70.00 65.00 60.00 55.00 50.00 1

2

3

4

5

6

7

8

9

10

akurasi

Gambar 4.6 Grafik Variasi Jumlah Jaringan 1 Lapis Tersembunyi


2.

Dua Lapis Tersembunyi Tabel 4.3 merupakan hasil dari variasi jumlah neuron pada dua lapis tersembunyi.

Tabel 4.3 Hasil Variasi Jumlah Jaringan 2 Lapis Tersembunyi

no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

Jumlah neuron lapis 1

18

27

36

45

Jumlah neuron lapis 2 akurasi 18 68,57 27 67,50 36 68,50 45 65,55 54 66,50 63 67,00 72 59,71 81 63,29 90 65,50 99 58,54 18 67,50 27 68,00 36 68,50 45 57,28 54 53,14 63 61,06 72 46,67 81 58,26 90 59,91 99 59,50 18 59,52 27 64,50 36 65,00 45 62,50 54 57,67 63 62,50 72 61,00 81 60,48 90 63,00 99 62,50 18 65,00


32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72

54

63

72

81

27 36 45 54 63 72 81 90 99 18 27 36 45 54 63 72 81 90 99 18 27 36 45 54 63 72 81 90 99 18 27 36 45 54 63 72 81 90 99 18 27

62,50 64,00 66,19 60,00 61,50 63,50 59,90 56,95 61,54 62,02 64,50 61,50 65,50 63,59 61,54 64,50 57,00 63,77 62,38 65,50 62,98 59,42 62,68 61,50 62,00 61,35 61,54 59,00 61,06 65,50 66,50 61,50 64,08 58,25 56,80 62,00 61,00 63,50 61,00 66,00 62,50


73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100

90

99

36 45 54 63 72 81 90 99 18 27 36 45 54 63 72 81 90 99 18 27 36 45 54 63 72 81 90 99

57,00 59,91 58,85 56,46 59,62 63,50 60,50 63,00 59,17 66,19 58,94 61,43 61,00 57,77 65,50 60,00 61,00 57,49 64,50 60,48 71,00 56,52 65,50 62,20 62,50 59,42 61,35 62,00

Dapat dilihat dari Tabel 4.3 hasil dari percobaan masing-masing variasi. Percobaan no 93 yang diberi warna kuning adalah percobaan dengan akurasi tertinggi yaitu 71%. Akurasi tersebut didapat pada jumlah lapis pertama 99 dan lapis kedua 36. Sehingga sistem ini mencapai akurasi sebesar 71%. Dapat dilihat pada grafik di bawah ini perubahan akurasi pada variasi jumlah jaringan satu dengan yang lainnya.


Grafik Percobaan 2 Lapis Tersembunyi 80 70 60 50 40 30 20 10 0 18

27 18

36 27

45 36

45

54 54

63 63

72 72

81

90

99

81

90

99

Gambar 4.7 Grafik Percobaan 2 Lapis Tersembunyi

Dari Gambar 4.7 dapat dilihat perubahan akurasi jika jumlah jaringan lapis pertama dan kedua divariasikan. Untuk lebih jelas melihat perubahan akurasi dari jumlah jaringan lapisan tersembunyi pertama 99. Dapat dilihat pada gambar 4.8.


Grafik Percobaan 2 Lapis Tersembunyi Dengan Lapis 1 berjumlah 99 80 70 60 50 40 30 20 10 0 1

2

3

4

5

6

7

8

9

10

Series2

Gambar 4.8 Grafik Percobaan 2 Lapis Tersembunyi Dengan Lapis 1 Berjumlah 99

Jika dibandingkan dengan percobaan menggunakan 1 lapis tersembunyi, hasil dari 2 lapis tersembunyi lebih tinggi akurasinya. Yaitu pada variasi jumlah jaringan 99 dan 36. Tabel 4.4 merupakan confusion matrix dari pengujian dengan 2 lapis tersembunyi yaitu 99 dan 36 serta kombinasi seluruh ciri lagu.

Tabel 4.4 Confusion Matrix Pengujian Dengan 2 Lapis Tersembunyi Yaitu 99 Dan 36 Abdee Negara

Dewa Budjana

Ahmad Dhani

Ian Antono

Abdee Negara

43

2

3

2

Dewa Budjana

1

33

10

6

Ahmad Dhani

0

12

32

6

Ian Antono

2

8

6

34


Dari confusion matrix pada Tabel 4.4 dapat dihitung akurasi keseluruhan dengan persamaan 2.28. Dari Tabel tersebut juga dapat dihitung akurasi tiap kelas dengan persamaan 2.30, 2.32. 1.

Akurasi keseluruhan

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =⁡

43 + 33 + 32 + 34 43 + 2 + 3 + 2 + 1 + 33 + 10 + 6 + 0 + 12 + 32 + 6 + 2 + 8 + 6 + 34

× 100% = 2.

142 × 100% = 0.71 × 100% = 71% 200 Akurasi kelas Abdee Negara 𝑎𝑘𝑢𝑟𝑎𝑠𝑖⁡𝐴𝑏𝑑𝑒𝑒⁡𝑁𝑒𝑔𝑎𝑟𝑎 =

3.

Akurasi kelas Dewa Budjana 𝑎𝑘𝑢𝑟𝑎𝑠𝑖⁡𝐴ℎ𝑚𝑎𝑑⁡𝐷ℎ𝑎𝑛𝑖 =

4.

33 × 100% = 66% 1 + 33 + 10 + 6

Akurasi kelas Ahmad Dhani 𝑎𝑘𝑢𝑟𝑎𝑠𝑖⁡𝐴𝑏𝑑𝑒𝑒⁡𝑁𝑒𝑔𝑎𝑟𝑎 =

5.

43 × 100% = 86% 43 + 2 + 3 + 2

32 × 100% = 64% 0 + 12 + 32 + 6

Akurasi kelas Ian Antono 𝑎𝑘𝑢𝑟𝑎𝑠𝑖⁡𝐴𝑏𝑑𝑒𝑒⁡𝑁𝑒𝑔𝑎𝑟𝑎 =

34 × 100% = 68% 2 + 8 + 6 + 34

Hasil pengenalan terbaik ada pada abdee Negara dengan akurasi 86%. Hasil itu dapat dihubungkan dengan lagu-lagu dari slank, yang sangat mudah dikenali.


4.2 Penggunaan Sistem

Gambar 4.9 Tampilan Antarmuka Sistem

Pada Gambar 4.9 dapat dilihat antarmuka sistem memiliki 3 panel fungsi dari sistem, yaitu: a.

Ekstraksi ciri Proses ekstraksi ciri dilakukan dengan menekan tombol “cari data pelatihan”, Berikutnya menekan tombol “ekstrak ciri”.


b.

Klasifikasi Proses klasifikasi dilakukan dengan memilih 1 atau lebih ciri lagu. Kemudian memasukan nilai variabel jaringan syaraf tiruan, yaitu: hidden network 1, hidden network 2, goal dan epoch. Setelah itu menekan tombol “klasifikasi”.

c.

Uji lagu Proses ini dilakukan untuk menguji satu lagu dengan penciptanya. Cara menguji lagunya adalah menekan tombol “cari lagu”. Kemudian menekan tombol “uji lagu”. Kemudian akan muncul hasil dari pengenalan lagu tersebut (Abdee Negara, Dewa Budjana, Ahmad Dhani atau Ian Antono). Tombol sinyal berfungsi untuk melihat gambar sinyal dari data yang telah dipilih. Sedangkan spectrogram digunakan untuk melihat spectrogram data yang dipilih.


5. BAB V PENUTUP

5.1

Kesimpulan Berdasarkan hasil penelitian ini, klasifikasi lagu berdasarkan pencipta lagu dengan metode ekstraksi ciri Music Surface Feature dan metode klasifikasi Jaringan Syaraf Tiruan Propagasi Balik, dapat disimpulkan dalam beberapa hal, yaitu: 1.

Hasil dari percobaan semua kombinasi ciri lagu dengan klasifikasi menggunakan Jaringan Syaraf Tiruan Propagasi Balik yang mempunyai arsitekstur dengan jumlah lapis tersembunyi 2, jumlah neuron pada lapis pertama dan kedua adalah 60, kecepatan pembelajaran 0.1, target error 0.01, epoch 5000, didapatkan akurasi sebesar 65% dengan kombinasi 5 ciri lagu Centroid, Roll off, Flux, Zero Crossing Rate dan Low Energy.

2.

Hasil dari percobaan beberapa arsitekstur jaringan untuk klasifikasi, didapatkan arsitekstur jaringan dengan jumlah lapis tersembunyi 2, jumlah neuron pada lapis pertama 99 dan kedua 36, target error 0.01, kecepatan pembelajaran 0.1, iterasi/epoch 5000 mendapat akurasi tertinggi yaitu 71%.

3.

Dari kesimpulan no 1 dan 2, klasifikasi menggunakan metode Jaringan Syaraf Tiruan Propagasi Balik dengan Music Surface Feature sebagai metode ekstraksi ciri, didapatkan hasil pengujian dengan akurasi mencapai 71%.

60


5.2

Saran Dalam penelitian ini metode ekstraksi ciri yang digunakan hanya merepresentasikan instrument lagu. Dari sebab itu, untuk peneliatian lebih lanjut metode ekstraksi ciri dapat diganti dengan metode yang dapat merepresentasikan karakter dari tiap pencipta lagu. Untuk memudahkan penggunaan sistem, sebaiknya sistem dapat menerima input file audio dengan tipe file yang lebih bervariasi, tidak hanya bertipe wav dengan format PCM, frekuensi 44100 hz, 8 bit, audio tipe mono.


DAFTAR PUSTAKA

Budjana, D. (2007). Dewa Budjana - Gitarku: Hidupku, Kekasihku. Jakarta: Gramedia. Jamalus, O. (1988). Pengajaran musik melalui pengalaman musik. Jakarta: Proyek Pengembangan Lembaga Pendidikan Tenaga Kependidikan. Maulana, G. (2011). Perancangan CD Interaktif Profil Ahmad Dhani Sebagai Musisi di Indonesia. Skripsi. Tidak dipublikasikan. Bandung: Universitas Komputer Indonesia. Oppenheim, A. V., & Schafer, R. W. (1994). Digital signal processing. New Delhi: Prentice-Hall of India. Sakrie,

D.

(2014).

45

Tahun

Perjalanan

Musik

Ian

Antono.

http://www.stylefmtasik.com/artikel/radio-musik/441-45-tahunperjalanan-musik-ian-antono.html. 6 Mei 2015. Setiawan, S. (2010). Klasifikasi Lagu Berdasarkan Genre Musik Dengan Jaringan Saraf Tiruan Propagasi Balik. Skripsi. Tidak dipublikasikan. Yogyakarta: Universitas Sanata Dharma. Siang, J. J. (2007). Jaringan Syaraf Tiruan & Pemrograman Menggunakan Matlab. Yogyakarta: Andi Publisher. Slank. (2013). Slank Gak Ada Matinya. Jakarta: Entermedia. Tan, P.-N., Steinbach, M., & Kumar, V. (2006). Introduction To Data Mining. Boston: Pearson Addison Wesley. Tzanetakis, G. (2002). Manipulation, Analysis and Retrieval Systems for Audio Signals. Ph.D Thesis. Tidak dipublikasikan. Princeton: Princeton University.

62


LAMPIRAN A.

Biografi Pencipta Lagu 1.

Ahmad Dhani Ahmad Dhani Prasetyo adalah seseorang yang bertindak sebagai produser dan musisi yang memiliki banyak karya musik kreatif di Indonesia. Karya musik Ahmad Dhani banyak disukai oleh para penggemarnya, karena karya musik Ahmad Dhani dikenal sebagai musik yang eksperimental dan lirik puitis yang berisi kata-kata mutiara. Musik Ahmad Dhani mempunyai aliran musik rock (Maulana, 2011).

2.

Dewa Budjana Berdasarkan penjelasan pada website official Dewa Budjana, Dewa Budjana atau I Dewa Gede Budjana lahir di Sumba Barat, Nusa Tenggara Timur, pada tanggal 30 Agustus 1963 adalah anggota grup musik Gigi. Dewa Budjana adalah musisi yang mempunyai aliran musik jazz dan rock. Lagu-lagu ciptaan Dewa budjana banyak dinya-nyikan bersama grup musik Gigi (Budjana, 2007).

3.

Ian Antono Ian Antono yang memiliki nama asli Jusuf Antono Djojo (lahir di Malang, Jawa Timur, 29 Oktober 1950; umur 64 tahun) adalah seorang musisi dan pencipta lagu yang juga salah seorang gitaris kelompok musik rock legendaris God Bless (Sakrie, 2014).

63


4.

Abdee Negara Abdee Negara (lahir di Donggala, Sulawesi Tengah, 28 Juni 1968; umur 46 tahun) atau lebih dikenal dengan sapaan Abdee Slank adalah gitaris berkebangsaan Indonesia. Selain itu dia juga tampil sebagai penulis lagu dan produser. Selain Slank, band utamanya, Abdee juga memproduseri band Indonesia lainnya, Seurieus (Slank, 2013).

B.

Source Code 1.

Tahap FFT function [magnitude_fft,real_fft,imaginer_fft] = tahap_fft(amplitude,wb) %TAHAP_FFT Summary of this function goes here % Detailed explanation goes here waitbar(0,wb,'processing fast fourier transform 1'); real=zeros(40, 512); imaginer=zeros(40, 512); for i=1:40 for k=1:512 for j=1:1024 real(i, k) = real(i, k) + (amplitude(i, j) * cos(2 * 3.14 * k * j / 1024)); imaginer(i, k) = imaginer(i, k) (amplitude(i, j) * sin(2 * 3.14 * k * j / 1024)); end end waitbar(i/40); end waitbar(0,wb,'processing fast fourier transform 2'); magnitude=zeros(40,512); for i=1:40 for k=1:512 magnitude(i, k) = sqrt((real(i, k) * real(i, k)) + (imaginer(i, k) * imaginer(i, k))); end waitbar(i/40); end magnitude_fft = magnitude; real_fft = real; imaginer_fft = imaginer; end

2.

Tahap IFFT function amplitude_ifft = tahap_ifft(real, imaginer,wb) %TAHAP_IFFT Summary of this function goes here


% Detailed explanation goes here waitbar(0,wb,'processing inverse fast fourier transform 1'); for i=1:40 for k=1:512 real(i, k) = real(i, k) / (1024 / 2); imaginer(i, k) = -imaginer(i, k) / (1024 / 2); end waitbar(i/40); end waitbar(0,wb,'processing inverse fast fourier transform 2'); for i=1:40 real(i, 1) = real(i, 1) / 2; real(i, 512) = real(i, 512) / 2; waitbar(i/40); end waitbar(0,wb,'processing inverse fast fourier transform 3'); amplitude1=zeros(40,1024); for i=1:40 for j=1:1024 for k=1:512 amplitude1(i, j) = amplitude1(i, j) + real(i, k) * cos(2 * 3.14 * k * j / 1024); amplitude1(i, j) = amplitude1(i, j) + imaginer(i, k) * sin(2 * 3.14 * k * j / 1024); end end waitbar(i/40); end amplitude_ifft = amplitude1; end

3.

Tahap Hamming Window function amplitude_hw = tahap_hamming_window(amplitude,wb) %TAHAP_HAMMING_WINDOW Summary of this function goes here % Detailed explanation goes here waitbar(0,wb,'processing hamming window'); for i=1:40 for j=1:1024 amplitude(i, j) = amplitude(i,j) * (0.54 - (0.46 * cos (2 * pi * j / 1023))); end waitbar(i/40); end amplitude_hw = amplitude; end


4.

Tahap Centroid function [ rat_cen, var_cen ] = ciri_centroid( magnitude_1,wb) %CIRI_CENTROID Summary of this function goes here % Detailed explanation goes here waitbar(0,wb,'processing centroid 1'); magni_a=zeros(40,512); magni1_a=zeros(40,512); rat_cen=0; var_cen=0; for i=1:40 for j=1:512 magni_a(i) = magni_a(i) + (magnitude_1(i,j)*j); magni1_a(i) = magni1_a(i) + magnitude_1(i,j); end magni_a(i)=magni_a(i)/magni1_a(i); if i == 1 min1_a = magni_a(i); max1_a = magni_a(i); else if min1_a > magni_a(i) min1_a = magni_a(i); end if max1_a < magni_a(i) max1_a = magni_a(i); end end waitbar(i/40); end waitbar(0,wb,'processing centroid 2'); for i=1:40 magni_a(i) = (((1 - (-1)) * magni_a(i)) + ((-1) * max1_a) - (1 * min1_a)) / (max1_a - min1_a); rat_cen = rat_cen + magni_a(i); waitbar(i/40); end waitbar(0,wb,'processing centroid 3'); rat_cen = rat_cen/40; for i=1:40 var_cen = ((magni_a(i) - rat_cen) * (magni_a(i) rat_cen)) + var_cen; waitbar(i/40); end var_cen = sqrt(var_cen / 39); end

5.

Tahap Roll Off function [var_ro, rat_ro] = ciri_roll_off(magnitude_2,wb) %CIRI_ROLL_OFF Summary of this function goes here % Detailed explanation goes here waitbar(0,wb,'processing roll off 1');


var_ro=0; rat_ro=0; magni_b=zeros(40,512); for i=1:40 for j=1:512 magni_b(i) = magnitude_2(i,j)+magni_b(i); end magni_b(i)=magni_b(i)*0.8; if i==1 min1_b=magni_b(i); max1_b=magni_b(i); else if min1_b > magni_b(i) min1_b = magni_b(i); end if max1_b < magni_b(i) max1_b = magni_b(i); end end waitbar(i/40); end waitbar(0,wb,'processing roll off 2'); for i=1:40 magni_b(i) = (((1 - (-1)) * magni_b(i)) + ((-1) * max1_b) - (1 * min1_b)) / (max1_b - min1_b); rat_ro = rat_ro + magni_b(i); waitbar(i/40); end waitbar(0,wb,'processing roll off 3'); rat_ro = rat_ro/40; for i=1:40 var_ro = ((magni_b(i) - rat_ro) * (magni_b(i) rat_ro)) + var_ro; waitbar(i/40); end var_ro = sqrt(var_ro/39); end

6.

Tahap Flux function [rat_flux,var_flux] = ciri_flux(magnitude_3,wb) %CIRI_FLUX Summary of this function goes here % Detailed explanation goes here waitbar(0,wb,'processing flux 1'); rat_flux = 0; var_flux = 0; temp2_a=zeros(40,1); for i = 1:40 for j = 1:512 if j == 1 temp1_a = magnitude_3(i, j) * magnitude_3(i, j); else


temp1_a = (magnitude_3(i, j) - magnitude_3(i, j - 1)) * (magnitude_3(i, j) - magnitude_3(i, j - 1)); end temp2_a(i) = temp2_a(i) + temp1_a; end if i == 1 min1_c = temp2_a(i); max1_c = temp2_a(i); else if min1_c > temp2_a(i) min1_c = temp2_a(i); end if max1_c < temp2_a(i) max1_c = temp2_a(i); end end waitbar(i/40); end waitbar(0,wb,'processing flux 2'); for i = 1:40 temp2_a(i) = (((1 - (-1)) * temp2_a(i)) + ((-1) * max1_c) - (1 * min1_c)) / (max1_c - min1_c); rat_flux = temp2_a(i) + rat_flux; waitbar(i/40); end rat_flux = rat_flux / 40; waitbar(0,wb,'processing flux 3'); for i = 1:40 var_flux = ((temp2_a(i) - rat_flux) * (temp2_a(i) rat_flux)) + var_flux; waitbar(i/40); end var_flux = sqrt(var_flux / 39); end

7.

Tahap Zero Crossing Rate function [rat_zc,var_zc] %CIRI_ZERO_CROSS Summary % Detailed explanation waitbar(0,wb,'processing rat_zc=0; var_zc=0; zc=zeros(40,1); for i=1:40 for j=1:1024 if j ==1 temp2_b = 0;

= ciri_zero_cross(amplitude,wb) of this function goes here goes here zero crossing rate 1');


if amplitude(i, j) >= 0 temp1_b = 1; else temp1_b = 0; end else if amplitude(i, j) >= 0 temp1_b = 1; else temp1_b = 0; end if amplitude(i, j - 1) >= 0 temp2_b = 1; else temp2_b = 0; end end temp1_b=temp1_b-temp2_b; if temp1_b < 0 temp1_b = -temp1_b; end zc(i) = temp1_b + zc(i); end zc(i) = (((1 - (-1)) * zc(i)) + ((-1) * 1024) - (1 * 0)) / (1024 - 0); rat_zc = rat_zc + zc(i); waitbar(i/40); end waitbar(0,wb,'processing zero crossing rate 2'); rat_zc = rat_zc / 40; for i = 1:40 var_zc = ((zc(i) - rat_zc) * (zc(i) - rat_zc)) + var_zc; waitbar(i/40); end var_zc = sqrt(var_zc / 39); end

8.

Tahap Low Energy function low_en = ciri_low_energy(amplitude_5,wb) %CIRI_LOW_ENERGY Summary of this function goes here % Detailed explanation goes here waitbar(0,wb,'processing low energy 1'); low_en=0; low_en1=zeros(40,1); temp2_c=0; for i=1:40 for j=1:1024 k=i-j;


if k >= 0 && k <= 1024 temp1_c = 0.5; else temp1_c = 0; end temp2_c = ((amplitude_5(i, j) * temp1_c) * (amplitude_5(i, j) * temp1_c)) + temp2_c; low_en1(i) = low_en1(i) + temp2_c; end low_en1(i) = low_en1(i) / 1024; waitbar(i/40); end waitbar(0,wb,'processing low energy 2'); for i=1:40 if i == 1 low_en = low_en1(i); else if low_en > low_en1(i) low_en = low_en1(i); end end waitbar(i/40); end end

9.

Tahap JST function [output, net] = tahap_jst(input_train,target_train,input_test,hid_net1,hi d_net2,goal,epochs) %JST Summary of this function goes here % Inisialisasi jaringan if hid_net2 == 0 net=newff(minmax(input_train),[hid_net1,4],{'logsig','pur elin'},'trainrp'); else net=newff(minmax(input_train),[hid_net1,hid_net2,4],{'log sig','logsig','purelin'},'trainrp'); end net=init(net); net.trainParam.epochs = epochs; net.trainParam.lr = 0.1; net.trainParam.goal = goal; % pelatihan jaringan [net,tr]=train(net,input_train,target_train); % pengujian jaringan error=sim(net,input_test); a=compet(error); output=a.'; end

KLASIFIKASI LAGU BERDASARKAN PENCIPTA LAGU MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK SKRIPSI

Recommend Documents