PEMODELAN SUPPORT VECTOR MACHINE UNTUK PENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN METODE MFCC SEBAGAI EKSTRAKSI CIRI
WIDO ARYO ANDHIKA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pemodelan Support Vector Machine untuk Pengenalan Chord pada Alat Musik Gitar Menggunakan Metode MFCC sebagai Ekstraksi Ciri ialah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, April 2013
Wido aryo Andhika NIM G64080113
ABSTRAK WIDO ARYO ANDHIKA. Pemodelan Support Vector Machine untuk Pengenalan Chord pada Alat Musik Gitar Menggunakan Metode MFCC sebagai Ekstraksi Ciri. Dibimbing oleh AGUS BUONO. Berbagai metode ekstraksi ciri dan metode klasifikasi telah banyak dikembangkan oleh para peneliti saat ini. Penerapan metode ekstraksi ciri MFCC dan metode klasifikasi SVM akan digunakan pada penelitian ini untuk mengidentifikasi chord pada alat musik gitar. Langkah pertama ialah mengekstraksi ciri dari chord yang sudah direkam. Data chord yang digunakan sebanyak 24 chord, dengan komposisi 75% untuk data latih dan 25% untuk data uji. Penelitian ini menggunakan SVM dengan tiga tipe kernel ialah linear, polinomial, dan RBF. Setiap kernel mempunyai parameter-parameter yang berbeda. Parameter yang digunakan ialah parameter terbaik yang dihasilkan dari proses cross-validation. Hasil akhir menunjukkan bahwa kernel RBF dan polinomial mempunyai akurasi tertinggi yang sama yaitu 93.33%. Kata kunci: chord, MFCC, support vector machine
ABSTRACT WIDO ARYO ANDHIKA. Support Vector Machine Modeling for Identification of Guitar Chord using MFCC as Feature Extraction. Supervised by AGUS BUONO. Various methods of feature extraction and classification methods have been developed by researchers. Application of MFCC feature extraction methods and SVM classification methods will be used in this research to identify the chord on the guitar instrument. The first step is extracting the characteristics of recorded chords. As many as 24 chords were used, with a composition of 75% for training data and 25% for the test data. This research uses SVM with three kernel types: linear, polynomial, and RBF. Each kernel has different parameters. The parameters used are the best parameter resulted from the cross-validation process. The final result showed that the RBF kernel and polynomial has the same highest accuracy of 93.33%.
Keywords: chord, MFCC, support vector machine
PEMODELAN SUPPORT VECTOR MACHINE UNTUK PENGENALAN CHORD PADA ALAT MUSIK GITAR MENGGUNAKAN METODE MFCC SEBAGAI EKSTRAKSI CIRI
WIDO ARYO ANDHIKA
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
Judul Skripsi : Pemodelan Support Vector Machine untuk Pengenalan Chord pada Alat Musik Gitar Menggunakan Metode MFCC sebagai Ekstraksi Ciri Nama : Wido Aryo Andhika NIM : G64080113
Disetujui oleh
Dr Ir Agus Buono, MSi MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Juni 2011 ini ialah pengenalan suara, dengan judul Pemodelan SVM untuk Pengenalan Chord pada Alat Musik Gitar Menggunakan Metode MFCC sebagai Ekstraksi Ciri. Penyelesaian penelitian ini tidak luput dari dukungan dan bantuan berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih sebesar-besarnya kepada: 1 Kedua orang tua tercinta Ayahanda M. Djamil dan Ibunda Tien Supriatin, adik penulis yang bernama Restu Bayu Dwi Putri, dan Ramadhan Tri Gumilar dan segenap keluarga besar penulis atas do’a, dukungan dan semangat yang tidak pernah berhenti diberikan selama ini sehingga penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB. 2 Bapak Dr. Ir. Agus Buono M.Si M.Kom selaku dosen pembimbing. Bapak Mushthofa S.Kom,. M.Sc. dan Ibu Karlisa Priandana S.T., M.Eng. selaku dosen penguji, atas waktu, ilmu, saran, nasihat, dan masukan yang diberikan. 3 Teman-teman penulis di Departemen Ilmu Komputer khususnya Putri Dewi Purnama Sari, Abdul Halim, Nanda Ichsan P, Ahmad Bagus D, Alif Kurniawan, Retno Larasati, Isnan Mulia, Alfa Nugraha P, Rizki Utama P Chandra Wangsa, Umbara Paskindra N, Yayan Fitriyan, Hadi Septian Guna Putra, serta teman-teman lain yang tidak dapat penulis sebutkan satu per satu atas bantuan, motivasi, serta semangat kepada penulis. 4 Departemen Ilmu Komputer, Bapak/Ibu Dosen dan Tenaga Kependidikan yang telah begitu banyak membantu baik selama pelaksanaan penelitian ini maupun sebelumnya. Kepada semua pihak lainnya yang telah memberikan kontribusi yang besar selama pengerjaan penelitian ini yang tidak dapat disebutkan satu per satu, penulis ucapkan terima kasih banyak. Segala kesempurnaan hanya milik Allah Subhanahu wata’ala. Semoga hasil penelitian ini dapat bermanfaat, Amin.
Bogor, April 2013
Wido Aryo Andhika
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Nada dan Chord
2
Sinyal Analog dan Sinyal Digital
4
Ekstraksi Ciri MFCC
5
Support Vector Machine (SVM)
8
METODE
10
Pengambilan Data
10
Preprocessing
10
Pemodelan SVM (Support Vector Machine)
10
Pengujian Support Vector Machine
11
Lingkungan Pengembangan
11
HASIL DAN PEMBAHASAN
12
SIMPULAN DAN SARAN
15
Simpulan
15
Saran
15
DAFTAR PUSTAKA
16
LAMPIRAN
18
RIWAYAT HIDUP
21
DAFTAR TABEL 1 Jenis window 2 Daftar chord 3 Tingkat akurasi dari ketiga model
6 11 14
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13
Notasi not pada fret gitar Diagram nada penyusun chord Konversi sinyal analog menjadi sinyal digital Alur proses MFCC Frame blocking Windowing Perubahan dari FFT ke cepstrum Kasus data linear Transformasi dari vektor input ke feature space Tahapan metode Hasil penggabungan dari 40 vektor Kumpulan vektor ciri data Grafik tingkat akurasi
3 3 4 5 5 6 7 8 9 10 12 13 14
DAFTAR LAMPIRAN 1 Matriks konfusi kernel linear 2 Matriks konfusi kernel polinomial 3 Matriks konfusi kernel RBF
18 19 20
PENDAHULUAN Latar Belakang Dalam ilmu pengetahuan dan teknologi khususnya bidang komunikasi, pengolahan sinyal memegang peranan yang penting. Penelitian yang intensif dalam bidang pengolahan sinyal menyebabkan teknologi komunikasi berkembang dengan pesat. Salah satunya ialah pengenalan suara. Dalam pengenalan suara, tahapan yang harus dilalui ialah pemrosesan suara. Pemrosesan sinyal suara melibatkan 2 jenis sinyal, yaitu sinyal analog dan digital. Suara manusia sendiri merupakan sinyal analog yang bersifat kontinu, sedangkan pemrosesan sinyal dalam komputer harus bersifat digital yang sifatnya diskrit (Gossink dan Cook 1997). Oleh karena itu, pemrosesan sinyal analog menjadi sinyal digital harus dilakukukan supaya komputer dapat memproses sinyal tersebut. Proses konversi dari sinyal analog menjadi sinyal digital disebut dengan Analog to Digital Converter (ADC). Sinyal analog harus diubah menjadi sinyal digital yang disebut proses digitalisasi. Proses digitalisasi terdiri atas dua tahap, yaitu sampling dan kuantisasi (Jurafsky dan Martin 2000). Chord merupakan rangkaian nada yang membangun keharmonisasian pada musik (Hendro 2004). Harmonis atau tidaknya suatu musik yang didengarkan, tergantung pada rangkaian chord yang menyusunnya. Oleh karena itu, analisis keseluruhan struktur harmonik pada suatu musik selalu diawali dengan mengenali setiap chord yang menyusun musik tersebut. Untuk alasan inilah pengenalan chord telah banyak dikembangkan. Aplikasi pengenal suara pengenalan chord yang sudah dikembangkan antara lain guitar tuner, mendeteksi chord pada lagu, dan sebagainya. Pengenalan chord telah berhasil menarik banyak perhatian di dunia Music Information Retrieval (MIR). Wisnudisastra (2009) melakukan pengenalan chord pada alat musik gitar dengan menggunakan codebook dengan teknik ekstraksi ciri Mel Frequency Cepstrum Coefficients (MFCC). Akurasi yang didapatkan dari penelitian tersebut lebih dari 90%. Artinya, metode yang digunakan cukup baik. Beberapa model ekstraksi ciri telah banyak dikembangkan, namun yang biasa digunakan ialah MFCC karena MFCC mengakomodasi tingkat kritis telinga manusia terhadap frekuensi suara yang didengar. Dalam hal ini dilakukan filter linear pada frekuensi rendah dan filter logaritmik pada frekuensi tinggi (Ganchev 2005). Penelitian lainnya yang dilakukan oleh Tomasouw (2012) yang berjudul Multiclass Twin Bounded Support Vector Machine untuk Pengenalan Ucapan. Penelitian ini menjelaskan metode one-against-all, metode one-against-one (pairwise), metode decision directed acyclic graph, dan sebagainya untuk kasus Support Vector Machine yang memiliki banyak kelas (multiclass). Klasifikasi merupakan teknologi yang penting didalam cabang ilmu Artificial Intelligence, metode yang umum ialah Neural Network, Fuzzy, KNN, dan sebagainya. Salah satu metode yang berkembang pesat saat ini ialah Support Vector Machines (SVM) yang akan dipakai pada perancangan aplikasi ini. Pemanfaatan Library Support Vector Machine (LibSVM) dirancang akan membantu penyelesaian masalah multiclass SVM karena penggunaannya mengefisiensikan klasifikasi
2 banyak kelas. Dewasa ini SVM telah berhasil diaplikasikan dalam problem dunia nyata (real-world problems) khususnya secara multikelas, dan secara umum memberikan solusi yang lebih baik dibandingkan dengan metode klasifikasi lainnya (Chang dan Lin 2011). Oleh karena itu, penulis melakukan penelitian menggunakan MFCC sebagai ekstraksi ciri dan SVM sebagai metode klasifikasi.
Tujuan Penelitian Tujuan dari penelitian ini ialah menerapkan model SVM untuk identifikasi chord dengan metode MFCC sebagai Ekstraksi ciri.
Manfaat Penelitian Penelitian ini diharapkan dapat memberikan informasi mengenai akurasi penggunaan metode SVM dalam pengenalan chord pada alat musik gitar. Ruang Lingkup Penelitian Ruang lingkup dari penelitian ini ialah: 1 Chord yang digunakan hanya 24 chord yang terdiri atas minor dan mayor standar. 2 Chord yang dikenali hanya chord yang dibunyikan dari atas ke bawah sebanyak satu kali. 3 Chord yang dikenali hanya chord yang berasal dari suara gitar yang telah dilatih sebelumnya dengan spesifikasi gitar akustik, jumlah fret 20, dan jenis senar string.
TINJAUAN PUSTAKA Nada dan Chord Nada merupakan suatu simbol atau bunyi yang menjadi dasar dalam susunan musik. Masing-masing dari nada tersebut memiliki frekuensi yang berbeda. Jarak antara dua nada disebut dengan interval. Interval dari deretan nada C-D-E-F-G-A-B-C ialah 1-1-1/2-1-1-1-1/2. Nada-nada tersebut dapat dinaikkan maupun diturunkan sebanyak ½ nada. Nada yang dinaikkan ½ nada biasa diberi simbol #, sedangkan nada yang diturunkan ½ nada biasa diberi simbol b. Misalnya nada C dinaikkan ½ nada menjadi C#. Nada C# atau bisa disebut cis ini sama dengan nada Db. Untuk nada E bila dinaikkan ½ nada akan menjadi nada E# atau sama dengan nada F, karena jarak interval dari kedua nada ini ialah ½. Begitu pula pada nada B ke C.
3 Chord merupakan satuan nada-nada yang dibunyikan secara serentak yang berfungsi sebagai pengiring dalam lagu maupun permainan music (Hendro 2004). Chord biasanya terdiri atas tiga nada. Hal ini disebut sebagai triad. Misalnya chord C terdiri atas nada C-E-G. Chord tersebut direpresentasikan dengan huruf yaitu C, D, E, F, G, A, B. Terdapat pula chord C# = Db, D# = Eb, E# = F, F# = Gb, A# = Bb, B# = C. Illustrasi nada-nada yang ada pada gitar dapat dilihat pada Gambar 1. Terdapat berbagai jenis chord berdasarkan nada yang menyusunnya diantaranya ialah chord major, minor, augmented, diminished, dan sebagainya. Oleh karena itu, chord pada gitar juga dapat dibentuk dengan berbagai posisi. Misalnya chord C dapat dibentuk pada 3 posisi yag berbeda, yaitu pada fret I, III, dan VIII. Struktur penyusun chords dapat dilihat pada Gambar 2.
Gambar 1 Notasi not pada fret gitar
Gambar 2 Diagram nada penyusun chord (www.tab4acustic.com)
4 Sinyal Analog dan Sinyal Digital Sinyal didefinisikan sebagai suatu besaran fisis yang merupakan fungsi waktu, ruangan, atau beberapa variabel. Sinyal ialah kuantitas fisik yang bervariasi dengan waktu, ruang, maupun sembarang satu atau lebih peubah bebas lainnya. Sinyal analog bekerja dengan mentransmisikan suara dan gambar dalam bentuk gelombang kontinu (continous varying). Dua parameter/karakteristik terpenting yang dimiliki oleh isyarat analog ialah amplitudo dan frekuensi. Isyarat analog biasanya dinyatakan dengan gelombang sinus. Sinyal ini mudah terpengaruh oleh noise. Gelombang pada sinyal analog yang umumnya berbentuk gelombang sinus memiliki tiga variabel dasar ialah amplitudo, frekuensi, dan fase. Sinyal digital merupakan hasil teknologi yang dapat mengubah sinyal menjadi kombinasi urutan bilangan 0 dan 1 sehingga tidak mudah terpengaruh oleh derau, proses informasinya pun mudah, cepat, dan akurat. Biasanya sinyal ini dikenal dengan sinyal diskret. Sinyal suara merupakan suatu sinyal waktu kontinu atau sinyal analog, sedangkan komputer hanya dapat memproses sinyal waktu diskret atau digital. Oleh karena itu untuk dapat memroses suatu sinyal suara, sinyal tersebut harus dikonversi menjadi sinyal digital terlebih dahulu. Proses konversi ini disebut Analog to Digital Converter. Proses konversi ini terbagi menjadi tiga tahap yaitu: 1 Sampling merupakan proses untuk mengambil sample atau data sinyal kontinu pada periode tertentu, sehingga diperoleh sinyal waktu diskret. Banyaknya sample yang diambil tiap detiknya disebut sampling rate. Input suara biasanya direkam dalam sampling rate di atas 10000 Hz (Do 1994). 2 Kuantisasi merupakan suatu proses memetakan nilai-nilai dari sinyal nilai kontinyu pada suatu selang tertentu menjadi nilai-nilai yang diskret sehingga didapatkan sinyal nilai diskret atau sinyal digital. 3 Coding merupakan pemberian bilangan biner pada setiap level kuantisasi. Proses konversi tersebut dapat dilihat pada Gambar 3.
Gambar 3 Konversi sinyal analog menjadi sinyal digital (Gossink dan Cook 1997)
5 Ekstraksi Ciri MFCC Ekstraksi ciri merupakan proses mengekstraksi sejumlah data dari sinyal suara yang nantinya akan digunakan untuk merepresentasikan setiap sinyal tersebut (Do 1994). Tujuannya untuk menentukan satu nilai atau vektor yang dapat digunakan sebagai penciri obyek atau individu. MFCC merupakan teknik yang umumnya dipakai dan memiliki kinerja yang baik. Cara kerja MFCC didasarkan atas cara pendengaran manusia. Proses MFCC dapat dilihat pada Gambar 4. Penjelasan dari masing-masing tahapan ialah: 1 Frame Blocking Pada tahapan ini sinyal suara yang dibaca kemudian dibagi ke dalam bentuk frame. Setiap frame memilki N sampel yang direpresentasikan dalam bentuk vektor. Setiap frame yang bersebelahan saling tumpang tindih atau overlap. Hal ini ditujukan agar tidak ada informasi yang hilang. Proses Frame Blocking dapat dilihat pada Gambar 5.
Gambar 4 Alur proses MFCC (Buono 2009)
Gambar 5 Frame blocking (Satrya 2011)
6 2 Windowing Setiap frame dari sinyal suara mengandung satu unit informasi. Oleh karena itu, distorsi antar frame tersebut harus diminimalkan dengan teknik windowing. Proses windowing dilakukan pada setiap frame untuk meminimalkan diskontinuitas sinyal pada awal dan akhir tiap frame. Beberapa jenis window yang digunakan dapat dilihat pada Tabel 1 (Ramirez 1984). Proses windowing dapat dilihat pada Gambar 6. Penelitian ini menggunakan window Hamming. Karena pertimbangan kesederhanaan formula dan nilai kinerja window, penggunaan window Hamming cukup beralasan. Persamaan matematika untuk pembentukan window Hamming dapat dilihat pada persamaan: 2n w(n) 0.54 0.46 cos , 0 n N 1 N 1 dan Yi(n) = Xi(n).w(n) Xi(n) adalah frame dan Yi(n) adalah hasil perkalian dari Xi(n) dan hasil window w(n). Tabel 1 Jenis window Nama Window Daniell
Hamming
Parzen
Persamaan Matematika 𝑤 n )=
sin πn , |n| ≤ 1 πn 0 , lainnya
𝑤 n =
0.54 + 0.46 cos (πn) , 0 ,
1 - 6n2 + 6 n 3 , 𝑤 n = 2(1 - |n|)2 , 0 ,
|n| ≤ 1 lainnya
|n| ≤ 0.5 0.5 ≤ n ≤ 1 lainnya
3
Priestly
sin(πn) − cos (πn) , |n| ≤ 1 πn 𝑤 n = (πn) 0 , lainnya
Sasaki
1 sin(πn) + 1 - n cos (πn), |n| ≤ 1 𝑤 n = π 0 , lainnya
2
Gambar 6 Windowing (Satrya 2011)
7 3 Fast Fourier Transform (FFT) Analisis Fourier merupakan suatu teknik matematika untuk mendekomposisi sinyal menjadi sinyal-sinyal sinusoidal. Analisis Fourier terdiri atas dua versi, yaitu versi real dan versi imajiner. Perbedaan sinyal harus dilihat dari domain frekuensi, karena jika dilihat dari domain waktu, perbedaannya sulit terlihat. Untuk itu, sinyal suara yang berada pada domain waktu diubah ke domain frekuensi dengan Fast Fourier Transform (FFT). FFT merupakan suatu algoritme untuk mengimplementasikan Discrete Fourier Transform (DFT) (Do 1994). Persamaan matematika untuk pembentukan FFT dapat dilihat pada persamaan: ∑
−
Dengan n = 0, 1, 2, …, N-1.
n
ialah frame.
4 Mel-frequecy Wrapping Studi menunjukkan bahwa persepsi manusia terhadap frekuensi sinyal suara tidak berupa skala linear. Oleh karena itu, untuk setiap nada dengan frekuensi aktual f (dalam Hertz), tinggi subjektifnya diukur dengan skala mel (melody). Skala mel-frequency ialah selang frekuensi di bawah 1000 Hz dan selang logaritmik untuk frekuensi di atas 1000 Hz (Do 1994). Pendekatan berikut digunakan dalam menghitung mel-frequency untuk frekuensi f dalam Hz: mel(f) = 2595*log10(1 + f / 700). Mel adalah mel- frequency dan f adalah frekuensi linear. 5 Cepstrum Pada tahap ini, mel-frequency akan dikonversi ke dalam domain waktu untuk menghasilkan mel-frequency cepstrum coefficient (MFCC). Representasi cepstral dari spectrum suara menyediakan representasi yang baik dari properti local spectral pada sinyal untuk analisis frame karena nilai koefisien mel spectrum adalah nilai real yang dapat dikonversi lagi ke dalam domain waktu dengan menggunakan Discrete Cosine Transform (DCT). Proses tersebut dapat dilihat pada Gambar 7. Selanjutnya MFCC dapat dihitung sebagai cn dengan ̃
∑
̃
[
−
]
K ialah banyaknya koefisien cepstral, k = 0,1,…., K-1 dan n = 0,1,…., K-1.
Gambar 7 Perubahan dari FFT ke cepstrum (Satrya 2011)
8 Support Vector Machine (SVM) Support Vector Machine (SVM) ialah sistem pembelajaran yang menggunakan ruang hipotesis berupa fungsi-fungsi linear dalam sebuah ruang fitur (feature space) berdimensi tinggi, dilatih dengan algoritme pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias yang berasal dari teori pembelajaran statistik (Cristianini dan Taylor 2000). SVM ialah salah satu teknik yang relatif baru dibandingkan dengan teknik lain, tetapi memiliki performansi yang lebih baik di berbagai bidang aplikasi seperti bioinformatics, pengenalan tulisan tangan, klasifikasi teks dan lain sebagainya (Cristianini dan Taylor 2000). Teori yang mendasari SVM sendiri sudah berkembang sejak 1960-an, tetapi baru diperkenalkan oleh Vapnik, Boser dan Guyon pada tahun 1992 dan sejak itu SVM berkembang dengan pesat. SVM pada Linearly Separable Data Linearly separable data merupakan data yang dapat dipisahkan secara linear. Misalkan{xi ,..., xn}ialah data set dan yi ∈{+1,−1} ialah label kelas dari data xi. Pada Gambar 8 dapat dilihat berbagai alternatif bidang pemisah yang dapat memisahkan semua data set sesuai dengan kelasnya. Namun, bidang pemisah terbaik tidak hanya dapat memisahkan data tetapi juga memiliki margin paling besar. SVM pada Nonlinearly Separable Data Klasifikasi data yang tidak dapat dipisahkan secara linear formula SVM harus dimodifikasi karena tidak akan ada solusi yang ditemukan. Oleh karena itu, kedua bidang pembatas harus diubah sehingga lebih fleksibel (untuk kondisi tertentu) dengan penambahan variabel ξi (ξi ≥ 0,∀ i : ξi = 0 jika x i diklasifikasikan dengan benar) menjadi x i .w + b ≥1 - ξi untuk kelas 1 dan x i .w + b ≤ −1 + ξi untuk kelas 2. Pencarian bidang pemisah terbaik dengan dengan penambahan variabel ξi sering juga disebut soft margin hyperplane. Dengan demikian formula pencarian bidang pemisah terbaik berubah menjadi: (∑ ) − C adalah parameter yang menentukan besar penalti akibat kesalahan dalam
Gambar 8 Kasus data linear (Sembiring 2007)
9 klasifikasi data dan nilainya ditentukan oleh pengguna. Metode lain untuk mengklasifikasikan data yang tidak dapat dipisahkan secara linear ialah dengan mentransformasikan data ke dalam dimensi ruang fitur (feature space) sehingga margin dapat dipisahkan secara linear pada feature space. Data dipetakan dengan menggunakan fungsi pemetaan (transformasi) xk →φ (xk) ke dalam feature space sehingga terdapat bidang pemisah yang dapat memisahkan data sesuai dengan kelasnya (Gambar 9). Feature space dalam prakteknya biasanya memiliki dimensi yang lebih tinggi dari vektor input (input space). Hal ini mengakibatkan komputasi pada feature space mungkin sangat besar, karena ada kemungkinan feature space dapat memiliki jumlah feature yang tidak terhingga. Selain itu, sulit mengetahui fungsi transformasi yang tepat. Untuk mengatasi masalah ini, pada SVM digunakan ”kernel trick”. Fungsi kernel yang umum digunakan ialah sebagai berikut (Hsu et al. 2003): a Linear kernel: K(xi, x) = xT, x b Polinomial kernel: K(xi, x) = (γ.xiT xi + r)p, γ > 0 c Radial Basis Function (RBF) kernel : K(xi, x) = exp(-γ|xi – x|2), γ > 0 d Sigmoid kernel : K(xi, x) = tanh(γxiT xi + r) Dengan solusi persamaan: ∑ L adalah jumlah vektor, α adalah Lagrange multiplier, adalah label kelas, dan b adalah bias. Menurut (Hsu et al. 2003) fungsi kernel yang direkomendasikan untuk diuji pertama kali ialah fungsi kernel RBF karena memiliki performa yang sama dengan kernel linear pada parameter tertentu, memiliki perilaku seperti fungsi kenel sigmoid dengan parameter tentu dan rentang nilainya kecil [0,1]. SVM saat pertama kali diperkenalkan oleh Vapnik, hanya dapat mengklasifikasikan data ke dalam dua kelas (klasifikasi biner). Namun, penelitian lebih lanjut untuk mengembangkan SVM sehingga bisa mengklasifikasi data yang memiliki lebih dari dua kelas, terus dilakukan. Ada dua pilihan untuk mengimplementasikan multiclass SVM, yaitu dengan one-against-one dan one-against-all.
Gambar 9 Transformasi dari vektor input ke feature space (Sembiring 2007)
10
METODE Penelitian ini dilakukan dengan beberapa tahapan proses, yaitu studi pustaka, pengambilan data suara, ekstraksi ciri menggunakan MFCC, pemodelan chord dengan SVM, dan pengujian. Proses tersebut dapat dilihat pada Gambar 10. Tahapan studi pustaka ialah awal dilakukannya penelitian ini yaitu melakukan pencarian dan pembelajaran mengenai pustaka-pustaka yang dibutuhkan untuk penelitian ini, sumbernya berasal dari buku-buku, jurnal, artikel-artikel, dan skripsi penelitian sebelumnya yang dilakukan untuk memahami langkah-langkah dalam metode atau teknik yang digunakan dalam penelitian ini. Pengambilan Data Pada tahap ini dilakukan pengambilan data dengan merekam suara dari masing-masing chord gitar menjadi berkas yang bertipe WAV. Data yang digunakan hanya 24 chord gitar yang terdiri dari major dan minor dari setiap chord. Proses pengambilan suara gitar dilakukan dalam keadaan sunyi agar tidak ada noise yang terekam. Pengambilan data pun harus dilakukan secara benar, yaitu memetik senar gitar dari atas ke bawah sebanyak satu kali. Tabel 2 menunjukkan daftar chord yang digunakan dalam penelitian ini. Preprocessing Proses selanjutnya ialah pemotongan pada awal dan akhir tiap frame, setelah terpotong dilakukan ekstraksi ciri menggunakan metode MFCC. Hasil akhir dari proses ini ialah berupa matrik hasil operasi rataan yang terdiri dari data latih dan data uji. Pemodelan Support Vector Machine (SVM) Tahap ini dilakukan menggunakan data latih dari hasil ekstraksi ciri. Penelitian ini akan dicari kombinasi kernel dan parameternya yang menghasilkan model pengenalan chord dengan akurasi yang terbaik. Parameter yang digunakan
Gambar 10 Tahapan metode
11 Tabel 2 Daftar chord Chord dasar C C# D D# E F F# G G# A A# B
Mayor CM C#M DM D#M EM FM F#M GM G#M AM A#M BM
Minor Cm C#m Dm D#m Em Fm F#m Gm G#m Am A#m Bm
ialah parameter yang terbaik dari hasil proses cross-validation dengan nilai fold ialah 5. Kernel yang digunakan pada penelitian ini ialah linear, polinomial, dan RBF. Penelitian ini menggunakan Library for Support Vector Machine (LIBSVM), LIBSVM sudah dilengkapi oleh fitur multikelas yaitu metode one-against-one.
Pengujian Support Vector Machine Proses pengujian chord pada penelitian ini dilakukan untuk mendapatkan nilai akurasi dari setiap chord yang diujikan. Nilai akurasi dihitung dengan fungsi berikut: Hasil =
Jumlah chord yang benar
x 100%
Jumlah chord yang diuji
Lingkungan Pengembangan Pada penelitian ini digunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut : a) Perangkat Keras Processor Pentium(R) dual – core CPU T4300 @ 2.10 GHz Memory 1024 MB RAM Hardisk 250 GB b) Perangkat Lunak Sistem Operasi Windows 7 Ultimate 32-bit Matlab R2008b Notepad c) Peralatan Gitar akustik dengan jenis senar string dengan jumlah frets 20 Microphone Aktiv speaker
12
HASIL DAN PEMBAHASAN Preprocessing Proses preprocessing diawali dengan memasukan data suara chord, kemudian dilakukan ekstraksi ciri MFCC dengan menggunakan lima parameter, yaitu input suara, sampling rate, time frame, overlap, dan cepstral coefficient. Pemilihan nilai untuk sampling rate ialah 22050 Hz, time frame ialah 256 ms dan overlap ialah 25%, sedangkan jumlah cepstral coefficient yang digunakan ialah 13 koefisien. Hasil ekstraksi ciri menggunakan MFCC memiliki hasil berupa matriks ciri (n x k), n ialah jumlah frame dan k ialah koefisien. Untuk menghasilkan vektor yang berukuran (1 x 13) di setiap ulangan suara, dilakukan perata-rataan koefisien pada setiap baris. Data latih yang digunakan dalam penelitian untuk satu chord ada 40 data, maka matrik yang dihasilkan berukuran (40 x 13). Gambar 11 menunjukan grafik penggabungan data satu chord.
Pemodelan Support Vector Machine (SVM)
Frame
Proses cross-validation dilakukan pada data latih menghasilkan parameter terbaik, pada kernel linear menghasilkan parameter c (cost) = 2 pada rentang 2-5 ≤ c ≤ 215 dengan akurasi cross-validation = 88.33%, k = 5. Pada kernel polinomial parameter terbaik c = 512 pada rentang 2-5 ≤ c ≤ 215. Parameter γ (gamma) = 3.05176e-005 pada rentang 2-15 ≤ g ≤ 23. Parameter d (degree) = 4 pada rentang 1 ≤ d ≤ 4. Parameter r (coef0)= 3 pada rentang 0 ≤ x ≤ 4, dengan akurasi cross-validation = 89.44%, k = 5. Pada kernel RBF parameter terbaik c = 1 pada rentang 2-5 ≤ c ≤ 215. Parameter γ (gamma) = 1 pada rentang 2-15 ≤ g ≤ 23, dengan akurasi crossvalidation = 82.91%, k = 5. Dengan demikian dari hasil cross-validation
Koefisien
Gambar 11 Hasil penggabungan dari 40 vektor
13 dihasilkan parameter terbaik dari masing – masin g kernel. Pemodelan SVM menggunakan data latih sebanyak 720 data. Dilakukan penggabungan dari seluruh vektor menjadi matrik yang berukuran (720 x 13). Gambar 12 menunjukan kumpulan vektor ciri data latih yang telah digabung dari semua chord. Begitu pula data uji yang berukuran (240 x 13). Setelah mendapatkan matrik data latih dan data uji, dilakukan pemodelan. Pemodelan dilakukan dengan menggunakan parameter terbaik dari masing – masing kernel. Terbentuknya 3 model yang terdiri atas model SVM linear, model SVM polinomial, dan model SVM RBF. Pengujian
Frame
Pengujian dilakukan dengan menggunakan 240 data uji terhadap ketiga model tersebut. Tabel 3 menunjukkan hasil identifikasi SVM dengan kernel linear, polinomial, RBF. Dari Tabel 3 dapat diketahui bahwa akurasi pendeteksian chord menggunakan metode SVM dan kernel linear, kernel polinomial, dan kernel RBF masing – masing 92.91% (223/240), 93.33% (224/240), dan 93.33% (224/240). Hasil tersebut merepresentasikan akurasi dari setiap kernel, yaitu jumlah chord yang benar dibagi jumlah chord yang diujikan. Pada Gambar 13 terlihat chord yang dikenal baik oleh sistem dengan akurasi 100% ialah chord A, Am, A#m, B, Bm, C, Cm, D, Dm, D#, E, Em, F, Fm, F#, F#m,G, Gm. Chord A#, C#, C#m, D#, E memiliki akurasi di atas 80%. Chord yang dikenali oleh sistem dengan akurasi terendah, yaitu di bawah 70% ialah chord G# dan G#m. Matriks konfusi yang menunjukkan hasil klasifikasi dari setiap chord dengan menggunakan kernel linear, polimonial, dan RBF dapat dilihat pada Lampiran 1, 2, dan 3.
Jumlah data
Gambar 12 Kumpulan vektor ciri data
Koefisien
14
Gambar 13 Grafik tingkat akurasi
Tabel 3 Tingkat akurasi dari ketiga model Kode Chord 1 A 2 Am 3 A# 4 A#m 5 B 6 Bm 7 C 8 Cm 9 C# 10 C#m 11 D 12 Dm 13 D# 14 D#m 15 E 16 Em 17 F 18 Fm 19 F# 20 F#m 21 G 22 Gm 23 G# 24 G#m Akurasi
Linear 100% 100% 90% 100% 100% 100% 100% 100% 70% 90% 100% 100% 100% 90% 90% 100% 100% 100% 100% 100% 100% 100% 50% 50% 92.91%
Polinomial 100% 100% 90% 100% 100% 100% 100% 100% 70% 90% 100% 100% 100% 100% 90% 100% 100% 100% 100% 100% 100% 100% 60% 40% 93.33%
RBF 100% 100% 80% 100% 100% 100% 100% 100% 80% 90% 100% 100% 100% 100% 90% 100% 100% 100% 100% 100% 100% 100% 70% 30% 93.33%
15
SIMPULAN DAN SARAN Simpulan Berdasarkan penelitian yang dilakukan didapatkan kesimpulan sebagai berikut: 1 Fungsi kernel yang diterapkan dalam penelitian ini ialah model kernel linear, kernel polinomial, dan kernel RBF. Hasil menunjukan bahwa dengan metode klasifikasi SVM dengan menggunakan kernel polinomial dan RBF hasilnya sama baik, yaitu 93.33 % dibandingkan dengan metode SVM kernel linear yang memiliki akurasi 92.91%. 2 Chord yang memiliki tingkat akurasi diatas 80% berarti chord tersebut dapat dikenali cukup baik oleh sistem. Sebaliknya chord yang mempunyai tingkat akurasi yang rendah berarti chord tersebut tidak dapat dikenali dengan baik oleh sistem. Chord yang mempunyai tingkat akurasi paling rendah ialah chord G#m dan G#. Hal ini disebabkan karena susunan yang menyusun chord major dan minor hanyalah setengah nada, susunan nada pada chord G# ialah nada g#c-d# sedangkan susunan pada chord G#m ialah nada g#-b-d#, artinya hanya setengah nada yang membedakannya.
Saran Penelitian ini masih memiliki banyak kekurangan yang memerlukan pengembangan lebih lanjut. Beberapa saran yang dapat ditambahkan di antaranya: 1 Dalam penelitian ini chord yang tidak dapat dikenali dengan baik perlu dilakukan klasifikasi khusus, yaitu klasifikasi untuk mengenali chord yang mempunyai pembeda setengah nada dalam susunan nadanya. Misalnya klasifikasi khusus untuk mengenali chord G# dan G#m, C# dan C#m. 2 Mencoba menggunakan parameter MFCC lain seperti frekuensi dan koefisien guna meningkatkan akurasi.
16
DAFTAR PUSTAKA Buono A. 2009. Representasi nilai HOS dan model MFCC sebagai ekstraksi ciri pada sistem identifikasi pembicara di lingkungan ber-noise menggunakan HMM. [Disertasi]. Depok (ID): Universitas Indonesia. Chang CC, Lin CJ. 2011. ACM transactions on intelligent systems and technology. A Library for Support Vector Machines. 2(3):1-10.doi: 10.1145/1961189.1961199. Cristianini N, Taylor JS. 2000. An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. Cambridge (GB): Cambridge Press University. Do MN. 1994. An automatic speaker recognition system audio visual communications laboratory. Di dalam: Digital Signal Processing MiniProject. Lausanne (CH): Swiss Federal Institute of Technology. Furey TS, Cristianini N, Duffy N, Bednarski DW, Schummer M, Haussler D. 2000. Support vector machine classification and validation of cancer tissue samples using microarray expression data. Bioinformatics. 16(10)906-914. doi: 10.1093/bioinformatics/16.10.906. Ganchev TD. 2005. Speaker recognition [Tesis]. Wire Communications Laboratory, Department of Computer and Electrical Engineering. Patras (GR): University of Patras. Gossink DE, Cook SC 1997. A novel synchronisation scheme for spread-spectrum communications. Di dalam: Wysocki T, Razavi H, dan Honary B, editor. Digital Signal Processing for Communications. ISBN 0-7923-9932-3. Boston (US): Kluwer Academic Publishers Hendro. 2004. Panduan Praktis Improvisasi Gitar. Jakarta: Penerbit Puspa Swara. Hsu CW, Chang CC, Lin CJ. 2003. A Practical Guide to Support Vector Classification. Department of Computer Science and Information Engineering (TW): National Taiwan University. Jurafsky D, Martin JH. 2000. Speech and Language Processing An Introduction to Natural Language Processing. Computational Linguistic, and Specch Recognition, New Jersey (US): Prentice Hall. Mulia I. 2012. Pengenalan aksara sunda menggunakan ekstraksi ciri zoning dan klasifikasi support vector machine [Skripsi]. Bogor (ID): Institut Pertanian Bogor.
17 Satrya R. 2011. Sistem indentifikasi suara pria dan wanita berdasarkan usia menggunakan MFCC dan k-mean clustering [Skripsi]. Bandung (ID): IT Telkom. Sembiring K. 2007. Penerapan teknik support vector machine untuk pendektesian intrusi pada jaringan [Skripsi]. Bandung (ID): Institut Teknologi Bandung. Ramirez RW. 1984. The FFT, Fundamentals and Concepts. New Jersey (US): Prentice-Hall. Tomasouw BP. 2012. Multiclass twin bounded support vector machine untuk pengenalan ucapan [Disertasi]. Surabaya (ID): Institut Teknologi Sepuluh Nopember. Wisnudisastra E. 2009. Pengenalan chord pada alat musik gitar menggunakan codebook dengan teknik ekstrasi ciri MFCC [Skripsi]. Bogor (ID): Institut Pertanian Bogor.
18
Lampiran 1 Matriks konfusi kernel linear Chord A Am A# A#m B Bm C Cm C# C#m D Dm D# D#m E Em F Fm F# F#m G Gm G# G#m
A 10 -
Am 10 -
A# 9 -
A#m 10 -
B 10 -
Bm 1 10 -
C 10 1 -
Cm 10 -
C# 7 1 -
Hasil Klasifikasi Kernel Linear C#m D Dm D# D#m E 3 9 10 10 10 1 9 9 -
Em 10 -
F 10 -
Fm 10 -
F# 10 -
F#m 10 -
G 10 -
Gm 10 -
G# 5 5
G#m 5 5
Lampiran 2 Matriks konfusi kernel polinomial Chord A Am A# A#m B Bm C Cm C# C#m D Dm D# D#m E Em F Fm F# F#m G Gm G# G#m
A 10 -
Am 10 -
A# 9 -
A#m 10 -
B 10 -
Bm 1 10 -
C 10 1 -
Cm 10 -
C# 7 1 -
Hasil Klasifikasi Kernel Polinomial C#m D Dm D# D#m E 3 9 10 10 10 10 9 -
Em 10 -
F 10 -
Fm 10 -
F# 10 -
F#m 10 -
G 10 -
Gm 10 -
G# 6 6
G#m 4 4
19
20
Lampiran 3 Matriks konfusi kernel RBF Chord A Am A# A#m B Bm C Cm C# C#m D Dm D# D#m E Em F Fm F# F#m G Gm G# G#m
A 10 -
Am 10 -
A# 8 -
A#m 10 -
B 10 -
Bm 10 -
C 10 1 -
Cm 10 -
C# 1 8 1 -
Hasil Klasifikasi Kernel RBF C#m D Dm D# D#m E 2 9 10 10 10 10 9 -
Em 10 -
F 10 -
Fm 10 -
F# 10 -
F#m 10 -
G 10 -
Gm 10 -
G# 7 7
G#m 1 3 3
21
RIWAYAT HIDUP Penulis bernama Wido Aryo Andhika dilahirkan di Sukabumi pada tanggal 8 Januari 1990 sebagai anak pertama dari 3 bersaudara dari pasangan Bapak Moch. Djamil dan Ibu Tien Supriatin. Penulis menyelesaikan pendidikan lanjutan atas di SMU Negeri 3 Kota Sukabumi pada tahun 2008. Pada tahun yang sama, penulis diterima sebagai mahasiswa di Institut Pertanian Bogor (IPB) pada Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam melalui jalur SNMPTN.
