69
Lampiran Berikut adalah lampiran untuk grafik performa, grafik gradient, dan training untuk masing-masing percobaan jaringan syaraf tiruan. Jaringan syaraf tiruan dengan menggunakan jumlah neuron 30 adalah sebagai berikut. Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1; 1] inputConnect: [1; 0] layerConnect: [0 0; 1 0] outputConnect: [0 1] numOutputs: 1 (read-only) numInputDelays: 0 (read-only) numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions:
70
adaptFcn: 'trains' divideFcn: 'dividerand' gradientFcn: 'gdefaults' initFcn: 'initlay' performFcn: 'mse' plotFcns: {'plotperform','plottrainstate','plotregression'} trainFcn: 'trainlm' parameters: adaptParam: .passes divideParam: .trainRatio, .valRatio, .testRatio gradientParam: (none) initParam: (none) performParam: (none) trainParam: .show, .showWindow, .showCommandLine, .epochs, .time, .goal, .max_fail, .mem_reduc, .min_grad, .mu, .mu_dec, .mu_inc, .mu_max weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors
71
Gambar 6.1. Performa Neuron Berjumlah 30
Gambar 6.2. Gradient Neuron Berjumlah 30
72
Gambar 6.3. Training State Neuron Berjumlah 30
Gambar 6.4. Training Neuron Berjumlah 30
73
Jaringan syaraf tiruan dengan menggunakan jumlah neuron 40 adalah sebagai berikut. Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1; 1] inputConnect: [1; 0] layerConnect: [0 0; 1 0] outputConnect: [0 1] numOutputs: 1 (read-only) numInputDelays: 0 (read-only) numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions: adaptFcn: 'trains' divideFcn: 'dividerand' gradientFcn: 'gdefaults'
74
initFcn: 'initlay' performFcn: 'mse' plotFcns: {'plotperform','plottrainstate','plotregression'} trainFcn: 'trainlm' parameters: adaptParam: .passes divideParam: .trainRatio, .valRatio, .testRatio gradientParam: (none) initParam: (none) performParam: (none) trainParam: .show, .showWindow, .showCommandLine, .epochs, .time, .goal, .max_fail, .mem_reduc, .min_grad, .mu, .mu_dec, .mu_inc, .mu_max weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors
75
Gambar 6.5. Performa Neuron Berjumlah 40
Gambar 6.6. Plot Regresi Neuron Berjumlah 40
76
Gambar 6.7. Learning State Neuron Berjumlah 40
Gambar 6.8. Training Neuron Berjumlah 40
77
Jaringan syaraf tiruan dengan menggunakan jumlah neuron 50 adalah sebagai berikut. Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1; 1] inputConnect: [1; 0] layerConnect: [0 0; 1 0] outputConnect: [0 1] numOutputs: 1 (read-only) numInputDelays: 0 (read-only) numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions: adaptFcn: 'trains' divideFcn: 'dividerand' gradientFcn: 'gdefaults'
78
initFcn: 'initlay' performFcn: 'mse' plotFcns: {'plotperform','plottrainstate','plotregression'} trainFcn: 'trainlm' parameters: adaptParam: .passes divideParam: .trainRatio, .valRatio, .testRatio gradientParam: (none) initParam: (none) performParam: (none) trainParam: .show, .showWindow, .showCommandLine, .epochs, .time, .goal, .max_fail, .mem_reduc, .min_grad, .mu, .mu_dec, .mu_inc, .mu_max weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors
79
Gambar 6.9. Performa Neuron Berjumlah 50
Gambar 6.10. Plot Gradien Neuron Berjumlah 50
80
Gambar 6.11. Learning State Neuron Berjumlah 50
Gambar 6.12. Training Neuron Berjumlah 50
81
Jaringan syaraf tiruan dengan menggunakan jumlah neuron 60 adalah sebagai berikut. Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1; 1] inputConnect: [1; 0] layerConnect: [0 0; 1 0] outputConnect: [0 1] numOutputs: 1 (read-only) numInputDelays: 0 (read-only) numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions: adaptFcn: 'trains' divideFcn: 'dividerand' gradientFcn: 'gdefaults'
82
initFcn: 'initlay' performFcn: 'mse' plotFcns: {'plotperform','plottrainstate','plotregression'} trainFcn: 'trainlm' parameters: adaptParam: .passes divideParam: .trainRatio, .valRatio, .testRatio gradientParam: (none) initParam: (none) performParam: (none) trainParam: .show, .showWindow, .showCommandLine, .epochs, .time, .goal, .max_fail, .mem_reduc, .min_grad, .mu, .mu_dec, .mu_inc, .mu_max weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors
83
Gambar 6.13. Plot Performa Neuron Berjumlah 60
Gambar 6.14. Plot Gradien Neuron Berjumlah 60
84
Gambar 6.15. Training State Neuron Berjumlah 60
Gambar 6.16. Training Neuron Berjumlah 60
85
Jaringan syaraf tiruan dengan menggunakan jumlah neuron 100 adalah sebagai berikut. Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1; 1] inputConnect: [1; 0] layerConnect: [0 0; 1 0] outputConnect: [0 1] numOutputs: 1 (read-only) numInputDelays: 0 (read-only) numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions: adaptFcn: 'trains' divideFcn: 'dividerand' gradientFcn: 'gdefaults'
86
initFcn: 'initlay' performFcn: 'mse' plotFcns: {'plotperform','plottrainstate','plotregression'} trainFcn: 'trainlm' parameters: adaptParam: .passes divideParam: .trainRatio, .valRatio, .testRatio gradientParam: (none) initParam: (none) performParam: (none) trainParam: .show, .showWindow, .showCommandLine, .epochs, .time, .goal, .max_fail, .mem_reduc, .min_grad, .mu, .mu_dec, .mu_inc, .mu_max weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors
87
Gambar 6.17. Performa Neuron Berjumlah 100
Gambar 6.18. Gradient Neuron Berjumlah 100
88
Gambar 6.19. Learning State Neuron Berjumlah 100
Gambar 6.20. Training Neuron Berjumlah 100
89
Jaringan syaraf tiruan dengan menggunakan jumlah neuron 150 adalah sebagai berikut. Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1; 1] inputConnect: [1; 0] layerConnect: [0 0; 1 0] outputConnect: [0 1] numOutputs: 1 (read-only) numInputDelays: 0 (read-only) numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions: adaptFcn: 'trains' divideFcn: 'dividerand' gradientFcn: 'gdefaults'
90
initFcn: 'initlay' performFcn: 'mse' plotFcns: {'plotperform','plottrainstate','plotregression'} trainFcn: 'trainlm' parameters: adaptParam: .passes divideParam: .trainRatio, .valRatio, .testRatio gradientParam: (none) initParam: (none) performParam: (none) trainParam: .show, .showWindow, .showCommandLine, .epochs, .time, .goal, .max_fail, .mem_reduc, .min_grad, .mu, .mu_dec, .mu_inc, .mu_max weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors
91
Gambar 6.21. Performa Neuron Berjumlah 150
Gambar 6.22. Gradient Neuron Berjumlah 150
92
Gambar 6.23. Training State Neuron Berjumlah 150
Gambar 6.24. Training Neuron Berjumlah 150
93
Jaringan syaraf tiruan dengan menggunakan jumlah neuron 200 adalah sebagai berikut. Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1; 1] inputConnect: [1; 0] layerConnect: [0 0; 1 0] outputConnect: [0 1] numOutputs: 1 (read-only) numInputDelays: 0 (read-only) numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions: adaptFcn: 'trains' divideFcn: 'dividerand' gradientFcn: 'gdefaults'
94
initFcn: 'initlay' performFcn: 'mse' plotFcns: {'plotperform','plottrainstate','plotregression'} trainFcn: 'trainlm' parameters: adaptParam: .passes divideParam: .trainRatio, .valRatio, .testRatio gradientParam: (none) initParam: (none) performParam: (none) trainParam: .show, .showWindow, .showCommandLine, .epochs, .time, .goal, .max_fail, .mem_reduc, .min_grad, .mu, .mu_dec, .mu_inc, .mu_max weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors
95
Gambar 6.25. Performa Neuron Berjumlah 200
Gambar 6.26. Gradient Neuron Berjumlah 200
96
Gambar 6.27. Learning State Neuron Berjumlah 200
Gambar 6.28. Training Neuron Berjumlah 200
97
Jaringan syaraf tiruan dengan menggunakan jumlah neuron 200 adalah sebagai berikut. Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1; 1] inputConnect: [1; 0] layerConnect: [0 0; 1 0] outputConnect: [0 1] numOutputs: 1 (read-only) numInputDelays: 0 (read-only) numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions: adaptFcn: 'trains' divideFcn: 'dividerand' gradientFcn: 'gdefaults'
98
initFcn: 'initlay' performFcn: 'mse' plotFcns: {'plotperform','plottrainstate','plotregression'} trainFcn: 'trainlm' parameters: adaptParam: .passes divideParam: .trainRatio, .valRatio, .testRatio gradientParam: (none) initParam: (none) performParam: (none) trainParam: .show, .showWindow, .showCommandLine, .epochs, .time, .goal, .max_fail, .mem_reduc, .min_grad, .mu, .mu_dec, .mu_inc, .mu_max weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors
99
Gambar 6.29. Perfroma Neuron Berjumlah 250
Gambar 6.30. Gradient Neuron Berjumlah 250
100
Gambar 6.31. Learning State Neuron Berjumlah 250
Gambar 6.32. Training Neuron Berjumlah 250
101
Jaringan syaraf tiruan dengan menggunakan jumlah neuron 300 adalah sebagai berikut. Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1; 1] inputConnect: [1; 0] layerConnect: [0 0; 1 0] outputConnect: [0 1] numOutputs: 1 (read-only) numInputDelays: 0 (read-only) numLayerDelays: 0 (read-only) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions: adaptFcn: 'trains' divideFcn: 'dividerand'
102
gradientFcn: 'gdefaults' initFcn: 'initlay' performFcn: 'mse' plotFcns: {'plotperform','plottrainstate','plotregression'} trainFcn: 'trainlm' parameters: adaptParam: .passes divideParam: .trainRatio, .valRatio, .testRatio gradientParam: (none) initParam: (none) performParam: (none) trainParam: .show, .showWindow, .showCommandLine, .epochs, .time, .goal, .max_fail, .mem_reduc, .min_grad, .mu, .mu_dec, .mu_inc, .mu_max weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors
103
Gambar 6.33. Performa Neuron Berjumlah 300
Gambar 6.34. Gradient Neuron Berjumlah 300
104
Gambar 6.35. Learning State Neuron Berjumlah 300
Gambar 6.36. Training Neuron Berjumlah 300
105
Grafik terhadap data bonang untuk neuron 30 adalah sebagai berikut.
Gambar 6.37. Grafik Neuron 30 Grafik terhadap data bonang untuk neuron 40 adalah sebagai berikut.
Gambar 6.38. Grafik Neuron 40 Grafik terhadap data bonang untuk neuron 50 adalah sebagai berikut.
106
Gambar 6.39. Grafik Neuron 50 Grafik terhadap data bonang untuk neuron 60 adalah sebagai berikut.
Gambar 6.40. Grafik Neuron 60 Grafik terhadap data bonang untuk neuron 100 adalah sebagai berikut.
107
Gambar 6.41. Grafik Neuron 100 Grafik terhadap data bonang untuk neuron 150 adalah sebagai berikut.
Gambar 6.42. Grafik Neuron 150 Grafik terhadap data bonang untuk neuron 200 adalah sebagai berikut.
108
Gambar 6.43. Grafik Neuron 200 Grafik terhadap data bonang untuk neuron 250 adalah sebagai berikut.
Gambar 6.44. Grafik Neuron 250 Grafik terhadap data bonang untuk neuron 300 adalah sebagai berikut.
109
Gambar 6.45. Grafik Neuron 300 Untuk data bukan suara Gamelan Bonang sebegai berikut. Sumbu y adalah jumlah neuron, dan sumbu x adalah besarnya kesalahan.
Gambar 6.46. Grafik Bukan Bonang Pertama
110
Gambar 6.47. Grafik Bukan Bonang Kedua
Gambar 6.48. Grafik Bukan Bonang Keempat
111
Gambar 6.49. Grafik Bukan Bonang Kelima
Gambar 6.50. Grafik Bukan Bonang Keenam Koding yang digunakana pada penelitian ini. Untuk melakukan upload file, dan membaginya menjadi sepuluh segmentasi, melakukan Fast Fourier Transform, menghitung rata-rata Power Spectral Density, dan menyimpannya dalam satu variable yang disebut kumpulan. menggunakan koding pada matlab seperti berikut. [ x , Fs ] = wavread ((input('Nama WAV '))); %membaca file
112
wav T = 1/Fs; % Sample time L = length (x); % Length of signal t = (0:L-1)*T; % Time vector n = 10; kumpulan = 1:10; for i = 1:n if i == 1 bilangan = 1:round(L/10); %pembagi X = x(bilangan); %x1 = untuk membagi menjadi 10 bagian (kelas) L = length(X); NFFT = 2^nextpow2(L); % Next power of 2 from length of y Y = fft(X,NFFT)/L; f = Fs/2*linspace(0,1,NFFT/2); Pxx = abs(fft(X,NFFT)).^2/length(X)/Fs; Hpsd = dspdata.psd(Pxx,'Fs',Fs); kumpulan(i) = avgpower(Hpsd) L = length (x); elseif i == 10 bilangan=(i-1)*round(L/10):((i*round(L/10)))-10; X = x(bilangan); %x1 = untuk membagi menjadi 10 bagian (kelas) L = length(X); NFFT = 2^nextpow2(L); % Next power of 2 from length of y Y = fft(X,NFFT)/L; f = Fs/2*linspace(0,1,NFFT/2); Pxx = abs(fft(X,NFFT)).^2/length(X)/Fs; Hpsd = dspdata.psd(Pxx,'Fs',Fs); kumpulan(i) = avgpower(Hpsd) L = length (x); else bilangan=(i-1)*round(L/10):(i*round(L/10)); X = x(bilangan); %x1 = untuk membagi menjadi 10 bagian (kelas) L = length(X); NFFT = 2^nextpow2(L); % Next power of 2 from length of y Y = fft(X,NFFT)/L; f = Fs/2*linspace(0,1,NFFT/2); Pxx = abs(fft(X,NFFT)).^2/length(X)/Fs; Hpsd = dspdata.psd(Pxx,'Fs',Fs); kumpulan(i) = avgpower(Hpsd) L = length (x); end end
113
Koding dalam membuat grafik adalah sebagai berikut. plot(y,xxbonangIV) % y adalah jumlah neuron, dan xxbonangIV adalah kumpulan nilai bukan bonang title('Grafik Nilai Performa Uji Bukan Bonang VI') %memberi Judul xlabel('Neuron') %penamaan label x ylabel('Performa') %penamaan label y Untuk melihat performa jaringan menggunakan koding sebagai berikut. [y,Pf,Af,e,perf] = sim (networkI30,ujibonang1',[],[]) % melihat performa jaringan Foto Dokumentasi
Gambar 6.51. Ruangan Gamelan
Gambar 6.52. Gamelan Bonang
114
Gambar 6.53. Gamelan Gong
Gambar 6.54. Gamelan Kempyang
Gambar 6.55. Keterangan Gamelan
Gambar 6.56. Progress Setiap Neuron
