PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR
YOSI NURHAYATI
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 Pengembangan Model Jaringan Syaraf Tiruan Resilient Backpropagation Untuk Identifikasi Chord Gitar adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, November 2013 Yosi Nurhayati NIM G64104063
ABSTRAK YOSI NURHAYATI. Pengembangan Model Jaringan Syaraf Tiruan Resilient Backpropagation untuk Identifikasi Chord Gitar. Dibimbing oleh AGUS BUONO. Penelitian ini mengembangkan pengenalan suara untuk mengidentifikasi chord gitar menggunakan metode jaringan syaraf tiruan resilient backpropagation sebagai metode pengenalan pola dan MFCC sebagai metode ekstraksi ciri. Tujuan penelitian ini adalah menemukan parameter-parameter yang dapat menghasilkan akurasi tertinggi. Parameter yang digunakan dalam proses pengenalan pola resilient backpropagation, yaitu hidden neuron, toleransi galat, learning rate, faktor naik, faktor turun, delta0, dan deltamax. Sedangkan parameter yang digunakan untuk proses MFCC adalah sampling rate, time frame, overlap, dan jumlah cepstral coefficient. Total data suara chord yang digunakan pada penelitian ini sebanyak 8 640 yang diperoleh dari 24 chord. Berdasarkan hasil penelitian yang telah dilakukan, akurasi tertinggi sebesar 95.56% diperoleh dengan menggunakan hidden neuron 100, jumlah koefisien cepstral 52, overlap 0.4, dan time frame 100 ms. Kata kunci: chord, jaringan syaraf tiruan resilient backpropagation, mel frequency cepstral coefficients (MFCC).
ABSTRACT YOSI NURHAYATI. Resilient Backpropagation Neural Network Model Development To Identify Guitar Chord. Supervised by AGUS BUONO. This study developed a sound recognition to identify guitar chords by using resilient backpropagation neural network as the pattern recognition method and MFCC as the feature extraction method. The aim of this study is to find the parameters that can produce the highest accuracy. The parameters used in the process of resilient backpropagation pattern recognition are the hidden neurons, error tolerance, learning rate, up factor, down factor, delta0, and deltamax. Meanwhile the parameters used for the MFCC are the sampling rate, time frame, overlap, and the number of cepstral coefficient. There were 8 640 data utilized in this study, which were obtained from 24 different chords. It was found that a highest accuracy of 95.56% can be obtained by using 100 hidden neurons, 52 numbers of cepstral coefficient, overlap score of 0.4, and the time frame of 100 ms. Keywords: chord, mel frequency cepstral coefficients (MFCC), resilient backpropagation neural network.
PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR
YOSI NURHAYATI
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
Penguji: 1 Mushthofa, SKom MSc 2 Muhammad Asyhar Agmalaro, SSi MKom
Judul Skripsi : Pengembangan Model Jaringan Syaraf Tiruan Backpropagation Untuk Identifikasi Chord Gitar Nama : Yosi Nurhayati NIM : G64104063
Resilient
Disetujui oleh
Dr Ir A
MKom Pembimbing
Tanggal Lulus:
. .. ~_
3 a NOV 2013
1"""'''''''''''''~~~~--~~--!I;;J!!--
______
I1!!!!• •_ _-mIlI'
Judul Skripsi : Pengembangan Model Jaringan Syaraf Tiruan Backpropagation untuk Identifikasi Chord Gitar Nama : Yosi Nurhayati NIM : G64104063
Disetujui oleh
Dr Ir Agus Buono, MSi MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen Ilmu Komputer
Tanggal Lulus:
Resilient
PRAKATA Alhamdulillah, puji syukur ke hadirat Allah subhanahu wa ta’ala karena dengan rahmat dan hidayah-Nya karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan September 2012 ialah ekstraksi ciri dan pengenalan pola, dengan judul Pengembangan Model Jaringan Syaraf Tiruan Resilient Backpropagation Untuk Identifikasi Chord Gitar. Penulis sadar bahwa tugas akhir ini tidak akan terselesaikan tanpa bantuan dari berbagai pihak. Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada: 1 Orang tua tercinta Bapak Yoyo, SPdI dan Ibu Yayah atas segala doa dan dukungan yang tiada hentinya. 2 Bapak Dr Ir Agus Buono, MSi MKom selaku pembimbing yang telah memberikan arahan, bimbingan, dan saran selama penelitian ini berlangsung. 3 Bapak Mushthofa, SKom MSc dan Bapak Muhammad Ashyar Agmalaro, SSi MKom selaku penguji untuk penelitian ini. 4 Ahmad Somadi, Corry Diana, Mira Della, Bernita, Puspita, Irene, Dania, Mba Dyah, Mba Susan, Krisna dan Kosan Minang Palace atas dukungan, bantuan dan semangat yang diberikan kepada penulis. 5 Teman-teman satu bimbingan Arviani Rizki, Toni Haryono, dan Armen Marta terima kasih atas kerjasamanya. 6 Seluruh teman-teman Ilkomerz Angkatan 5 atas persahabatan, dukungan, bantuan, semangat, dan kekeluargaannya selama ini. Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga karya ilmiah ini bermanfaat.
Bogor, November 2013 Yosi Nurhayati
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE PENELITIAN
2
Pengumpulan Data
3
Normalisasi
3
Segmentasi
3
Data Latih
4
Data Uji
4
Ekstraksi Ciri dengan MFCC
5
Pengenalan Pola dengan JST Resilient Backpropagation
6
Perancangan Modul JST
8
Pelatihan
8
Pengujian
8
HASIL DAN PEMBAHASAN
8
Pengumpulan Data
8
Normalisasi dan Segmentasi
9
Ekstraksi Ciri dengan MFCC
9
Pelatihan
10
Hasil Pengujian
10
SIMPULAN DAN SARAN
12
Simpulan
12
Saran
12
DAFTAR PUSTAKA
13
RIWAYAT HIDUP
20
DAFTAR TABEL 1 2 3 4 5
Daftar chord gitar Komposisi data chord Karakteristik JST Perbandingan nilai akurasi antara koefisien dengan hidden neuron Rata-rata akurasi koefisien cepstral berdasarkan nilai hidden neuron
3 4 8 10 11
DAFTAR GAMBAR 1 2 3 4 5 6
Alur penelitian proses identifikasi chord gitar Proses segmentasi chord C dan G Diagram alur MFCC (Buono 2009) Arsitektur jaringan (Siang 2009) Vektor sinyal suara chord C dan chord G Perbandingan akurasi antara koefisien cepstral dengan hidden neuron
2 4 5 7 9 11
DAFTAR LAMPIRAN 1 Bentuk chord yang digunakan pada pelatihan dan pengujian 2 Algoritme JST propagasi balik resilient (Susanto 2007) 3 Confusion matrix kesalahan dalam pengenalan chord pada koefisien 52 dengan nilai hidden neuron 100
14 16 19
1
PENDAHULUAN Latar Belakang Dalam dunia musik dikenal istilah chord. Chord ini yang dijadikan sebagai acuan pada musik atau lagu. Chord merupakan rangkaian nada yang membangun keharmonisasian pada musik (Wisnudisastra 2009). Salah satu contoh alat musik yang menghasilkan bunyi-bunyian dan memiliki chord sebagai acuan nada adalah gitar. Seorang pemain musik harus mengerti dan mengenali chord apa saja pada lagu yang dimainkannya. Bagi musisi, hal ini sangat mudah dilakukan karena sistem pendengaran dalam mengenali dan memainkan nada chord pada suatu lagu atau musik sudah terlatih. Lain halnya bagi seorang pemula, hal ini akan sulit dilakukan karena sistem pendengaran dalam mengenali dan memainkan nada chord belum terlatih. Solusi untuk menanggulangi masalah tersebut yaitu dengan penggunaan komputer sebagai sistem pengenalan chord pada alat musik gitar. Hal ini dikarenakan karakteristik komputer yang konsisten terhadap eksekusi perintah yang diberikan dan memudahkan pengguna sistem untuk mendapatkan hasil pengenalan chord yang akurat. Pada penelitian sebelumnya, Wisnudisastra (2009) menggunakan metode codebook sebagai pengenalan pola dan menggunakan teknik MFCC sebagai ekstraksi ciri dalam mengenali sebuah chord. Metode dan teknik tersebut menghasilkan rataan akurasi sebesar 91% untuk percobaan menggunakan 13 koefisien cepstral dan sebesar 96% untuk percobaan menggunakan 26 koefisien cepstral. Penelitian lainnya yang terkait dilakukan oleh Susanto (2007) dengan objek dan metode berbeda yaitu identifikasi pembicara menggunakan jaringan syaraf tiruan (JST) resilient backpropagation diperoleh rataan akurasi terbaik sebesar 92.8%. Oleh karena itu, pada penelitian ini akan dibangun sistem dengan menggunakan metode jaringan syaraf tiruan (JST) resilient backpropagation dan menggunakan teknik MFCC sebagai ekstraksi cirinya. Dalam pengenalan suara, MFCC dapat merepresentasikan sinyal lebih baik dibandingkan dengan linear prediction cepstrum coefficient (LPCC) dan teknik lainnya (Buono 2009). Metode LPCC memiliki keunggulan waktu komputasi yang lebih sederhana, namun tingkat akurasinya tidak sebaik MFCC. Penelitian lain menyimpulkan bahwa penggunaan metode wavelet sebagai ekstraksi ciri pada pengenalan pola tidak memberikan hasil yang lebih baik daripada penggunaan metode MFCC (Taufani 2011). Pada JST resilient backpropagation terdapat proses pelatihan yang berulang-ulang dan memiliki tambahan parameter faktor naik juga faktor turun. Tujuan Penelitian Tujuan dari penelitian ini adalah: 1 Mengembangkan metode jaringan syaraf tiruan resilient backpropagation dan teknik ekstraksi ciri MFCC untuk identifikasi chord gitar. 2 Mengidentifikasi dua chord gitar yaitu dari chord satu ke chord lainnya. 3 Mengetahui nilai akurasi dari identifikasi chord gitar.
2 Manfaat Penelitian Penelitian ini diharapkan dapat memberikan informasi mengenai tingkat akurasi pengembangan metode jaringan syaraf tiruan resilient backpropagation dalam identifikasi chord gitar. Ruang Lingkup Penelitian Adapun ruang lingkup dari penelitian ini antara lain: 1 Chord yang dikenali hanyalah chord mayor dan minor. 2 Chord yang dikenali dimainkan dengan cara dipukul serentak dari atas ke bawah maupun sebaliknya dalam satu posisi untuk masing-masing chord. 3 Suara chord yang dikenali hanya suara chord yang dimainkan dengan menggunakan jenis gitar akustik dengan senar string.
METODE PENELITIAN Sistem pengenalan suara chord gitar diwujudkan melalui suatu program dengan menggunakan perangkat lunak MATLAB R2008b. Pembuatan program dibagi menjadi beberapa tahap yaitu perumusan masalah dengan teori-teori terkait, pengambilan data suara gitar, normalisasi, segmentasi, MFCC, pembuatan modul JST, parameter JST, pengujian, analisis dan pembahasan, dokumentasi dan pelaporan. Tahapan tersebut dapat dilihat pada Gambar 1.
Gambar 1 Alur penelitian proses identifikasi chord gitar
3 Pengumpulan Data Pada penelitian ini data suara berasal dari 24 chord gitar yang dimainkan dengan cara dipukul serentak dari atas ke bawah. Proses perekaman akan diulang sebanyak 15 kali untuk setiap suara transisi 2 chord gitar dari 24 chord. Total perkalian antara 24 chord pertama, 24 chord kedua, dan 15 kali perekaman yaitu sebanyak 8 640 yang akan digunakan untuk data latih sebanyak 5 760 dan data uji sebanyak 2 880. Proses perekaman data suara chord misalnya dari suara chord C ke D sebanyak 15 kali, lalu suara chord C ke C# sebanyak 15 kali, dan seterusnya sehingga masing-masing chord memiliki 10 data suara untuk data latih dan 5 data suara untuk data uji. File data suara chord direkam selama 3 detik dengan format berekstensi WAV. Setiap perekaman suara menggunakan sampling rate sebesar 11 000 Hz. Chord yang dipakai ada 24 jenis terdiri dari chord mayor dan chord minor seperti pada Tabel 1. Ke-24 chord mayor dan minor tersebut hanya dimainkan pada satu posisi saja. Bentuk dari 24 chord mayor dan minor yang digunakan untuk proses pelatihan dan pengujian pada penelitian ini dapat dilihat pada Lampiran 1. Tabel 1 Daftar chord gitar Chord dasar Mayor Minor C C Cm C# C# C#m D D Dm D# D# D#m E E Em F F Fm F# F# F#m G G Gm G# G# G#m A A Am A A# A#m B B Bm Normalisasi Tahap normalisasi merupakan proses membuat rentang nilai antara -1 1. Setiap data suara memiliki nilai rentang amplitudo yang berbeda sehingga data suara perlu dinormalisasi terlebih dahulu dengan cara membagi setiap nilai dengan nilai maksimum pada data masing-masing suara agar didapat rentang nilai amplitudo suara yang sama. Segmentasi Tahap segmentasi untuk deteksi jeda pada setiap transisi 2 chord. Tahap ini dilakukan dengan mengabsolutkan setiap nilai chord yang telah dinormalisasi. Dari nilai tersebut ditentukan nilai threshold yang digunakan sebagai batas tinggi sinyal untuk jeda dan bukan jeda. Data kontinyu yang panjang pada bagian jeda
4 akan dipotong. Perpindahan chord C ke G akan mendapatkan hasil segmentasi chord C ke G seperti pada Gambar 2. Hasil pemotongan nada transisi 2 chord dari C ke G menjadi 3 bagian, yaitu chord C, jeda, dan chord G.
Gambar 2 Proses segmentasi chord C dan G Data Latih Data latih hasil perkalian dari 24 transisi 2 chord dengan 24 jumlah chord mayor dan minor yang masing-masing direkam 10 suara. Kemudian dipilih 10 data suara secara acak dari masing-masing transisi chord untuk dijadikan sebagai data latih. Data latih selanjutnya diproses pada tahap MFCC dan jaringan syaraf tiruan resilient backpropagation untuk menghasilkan suatu model. Model ini berfungsi sebagai alat penentu keputusan dari hasil pengujian. Data Uji Data uji hasil perkalian dari 24 transisi 2 chord dengan 24 jumlah chord mayor dan minor yang masing-masing direkam 5 suara. Data uji ini akan diproses dengan tahap MFCC, selanjutnya akan diuji menggunakan model yang telah terbentuk dari tahap pelatihan. Komposisi data chord yang dipakai dalam penelitian seperti pada Tabel 2. Tabel 2 Komposisi data chord Komposisi Jumlah Jumlah chord 24 Jumlah kombinasi 576 Data latih 5 760 Data uji 2 880 Total data 8 640
5 Ekstraksi Ciri dengan MFCC Tahapan teknik MFCC lebih jelasnya disajikan pada Gambar 3 (Buono 2009). Sinyal Suara Frame ke t O=
…,
Windowing: n = t n * w (n , 0 ≤ n ≤ N-1 w(n) = 0.54 – 0.46 cos (2 n/(N-1)) dalam domain waktu N = jumlah sampel pada setiap frame, n = frame ke-… W = formula hamming window, = nilai data ke n t
Fast Fourier Transform (FFT): n
a n tu n N = jumlah data pada domain frekuensi, j=bilangan imajiner, k = N/2 + 1, i = n x t Mel Frequency Wrapping : mel(f) = 2595 log (1 + f / 700) dari sini diperoleh M filter, dan dihitung spektrum Mel:
(k) = nilai filter segitiga ke i, M = jumlah filter, N = banyaknya data
Cepstrum Coefficients : Discrete Cosine Transform s , j = jumlah koefisien cepstral M = jumlah filter ,
, i = jumlah wrapping
Gambar 3 Diagram alur MFCC (Buono 2009) MFCC merupakan ekstraksi ciri yang telah banyak digunakan pada pemrosesan suara, terutama pada sistem indentifikasi pembicara. Berdasarkan Gambar 4 ada 5 tahapan proses MFCC yaitu frame blocking, windowing, transformasi fourier (FFT), mel frequency wrapping, dan transformasi kosinus (discrete cosine transform).
6 Frame Blocking Pada tahap ini sinyal suara dibagi ke dalam bentuk frame dan setiap frame memiliki N sample yang direpresentasikan dalam bentuk vektor. Setiap frame yang bersebelahan saling tumpang tindih atau overlap. Hal ini ditujukan agar tidak ada informasi yang hilang. Pada penelitian ini akan digunakan time frame 100 ms, overlap 40%, koefisien cepstral sebesar 13, 26, dan 52. Windowing Proses windowing dilakukan pada setiap frame untuk meminimalkan diskontinyuitas sinyal pada awal dan akhir tiap frame (Do 1994). Transformasi Fourier (FFT) Fast Fourier transform dilakukan untuk mengkonversi N sample setiap frame dari domain waktu ke domain frekuensi. Hal ini dilakukan karena pendengaran manusia didasarkan atas domain frekuensi. Mel Frequency Wrapping Skala mel-frequency merupakan selang frekuensi linear di bawah 1 000 Hz dan selang logaritmik frekuensi di atas 1 000 Hz. Mel-frequency wrapping umumnya dilakukan dengan menggunakan filterbank. Transformasi Kosinus (Discrete Cosine Transform) Pada tahap ini akan dikonversi mel-frequency ke dalam domain waktu dengan menggunakan discrete cosine transform (DCT). Hasilnya disebut dengan mel-frequency cepstrum coefficient (MFCC). Pengenalan Pola dengan JST Resilient Backpropagation Pengenalan pola dengan JST resilient backpropagation dilakukan untuk data latih, setelah vektor ciri diperoleh dari proses MFCC. Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang memiliki karakteristikkarakteristik menyerupai jaringan syaraf biologi (Fausett 1994). Backpropagation merupakan metode pembelajaran terawasi dan biasanya digunakan oleh jaringan multilayer. Gambar 4 menunjukkan arsitektur JST Backpropagation dengan n buah masukan. Unit input atau masukan dilambangkan dengan X, hidden unit dilambangkan dengan Z, dan unit output atau keluaran dilambangkan dengan Y. V merupakan bobot dari unit masukan X ke unit layer tersembunyi Z . Sedangkan W merupakan bobot dari unit layer tersembunyi Z ke unit keluaran Y.
7 Y1
W10
Yk
Ym
Wkp
Wk0 W11
Wk1
W1j
Wkj
Wm0
W1p Wmj
Wm1 1
Z1
Zj
Zp
V11 V10 1
Vj0 Vp0
Vpn Vj1
X1
Wmp
Vp1
Vjn
Vji V1i
Vpi Xi
V1n
Xn
Gambar 4 Arsitektur jaringan (Siang 2009) Pelatihan backpropagation meliputi 3 fase, yaitu: 1 Propagasi maju (feedforward) Setiap neuron pada hidden layer dan output layer dihitung masing-masing nilai aktivasinya sesuai dengan fungsi aktivasi yang digunakan. 2 Propagasi balik galat (propagasi mundur/backward) Setiap output neuron menghitung informasi galat antara nilai output yang dihasilkan dan nilai target. Informasi galat ini dikirimkan ke layer di bawahnya. 3 Penyesuaian bobot Setiap output neuron dan hidden neuron mengubah bias dan bobot-bobotnya sesuai dengan nilai galat. Ketiga tahapan tersebut diulang terus hingga kondisi penghentian dipenuhi. Penghentian terjadi jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diizinkan (Fausett 1994). Jaringan syaraf tiruan resilient backpropagation merupakan algoritme yang digunakan untuk mempercepat pembelajaran pada pelatihan jaringan syaraf tiruan backpropagation. Algoritme JST resilient backpropagation menggunakan tanda turunan untuk menentukan arah perbaikan bobot. Besarnya perubahan bobot ditentukan oleh parameter faktor naik dan faktor turun. Pada awal iterasi, besarnya perubahan bobot diinisialisasikan dengan parameter detla0. Besarnya perubahan bobot tidak boleh melebihi parameter deltamax. Apabila perubahan bobot melebihi batas maksimum, maka perubahan bobot ditentukan sama dengan maksimum perubahan bobot. Proses propagasi maju pada algoritme JST resilient backpropagation sama dengan algoritme backpropagation, yang berbeda pada proses propagasi mundur. Untuk lebih jelas algoritme JST resilient backpropagation dapat dilihat pada Lampiran 2.
8 Perancangan Modul JST Tahap pembuatan modul ini menggunakan JST backpropagation resilient dengan struktur parameter yang ditunjukkan pada Tabel 3. Tabel 3 Karakteristik JST Karakteristik Spesifikasi Arsitektur 1 hidden layer Neuron input 13,26,52 (koefisien hasil ekstraksi ciri) Neuron output 24 (banyaknya chord dasar) Fungsi aktivasi Sigmoid biner Inisialisasi bobot Nguyen widrow Hidden neuron 10, 25, 50, 100 Toleransi galat 10-4 Learning rate 0.01 Faktor naik 1.2 Faktor turun 0.5 delta0 0.1 Deltamax 50 Pelatihan Pelatihan sistem menggunakan modul JST backpropagation resilient dengan parameter yaitu hidden neuron, toleransi galat, learning rate, faktor naik, faktor turun, delta0, dan deltamax. Pengujian Tahap ini dilakukan pengujian menggunakan data uji. Hasil pengujian dianalisis menggunakan tabel confusion matrix. Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi. Pengujian model JST dilakukan menggunakan data pengujian yang menghasilkan akurasi. Persentase tingkat akurasi dihitung dengan fungsi berikut: 00
HASIL DAN PEMBAHASAN Pengumpulan Data Pada penelitian ini, data suara 2 chord gitar direkam selama 3 detik. Total data chord yang telah dikumpulkan sebanyak 8 640 yang terdiri dari 5 760 untuk data latih dan 2 880 untuk data uji. Sinyal suara tersebut dikenakan proses
9 normalisasi dan proses segmentasi chord terlebih dahulu sebelum diekstraksi ciri dengan menggunakan MFCC. Normalisasi dan Segmentasi Proses normalisasi yaitu membagi setiap nilai dengan nilai maksimum pada data masing-masing suara agar didapat rentang nilai amplitudo suara yang sama yaitu antara -1 1. Sedangkan proses segmentasi dilakukan dengan mengabsolutkan nilai chord setelah dinormalisasi, kemudian membuat batas theshold antara 1 500 sampai 30 000. Dari batas theshold tersebut akan diseleksi rentang nilai chord terpanjang yang kurang dari rata-rata dimana rentang tersebut antara 5 000 sampai 20 000. Rentang terpanjang tersebut yang dinamakan jeda dan akan dipotong. Hasil yang digunakan dalam proses pengolahan MFCC merupakan data berupa vektor, sehingga sebelum diolah data yang berisi sinyal chord gitar tersebut harus dikonversi. Proses konversi dilakukan dengan menggunakan perangkat lunak MATLAB R2008b yang mengubah nilai sinyal tersebut menjadi vektor. Gambar 5 merupakan contoh vektor dari sinyal chord C dan chord G. Proses dilanjutkan dengan tahap MFCC setelah semua data dalam bentuk vektor yang diharapkan.
Gambar 5 Vektor sinyal suara chord C dan chord G Ekstraksi Ciri dengan MFCC Proses MFCC dilakukan dengan membuat fungsi pada auditory toolbox Matlab. Fungsi MFCC tersebut diperoleh dari Buono (2009). Pada proses MFCC digunakan 4 parameter yaitu sampling rate, time frame, overlap, dan cepstral coefficient. Pada penelitian ini akan digunakan time frame 100 ms, overlap 0.4, koefisien cepstral sebesar 13, 26, dan 52. MFCC mengubah sinyal suara ke dalam suatu matriks yang sesuai dengan ukuran koefisien yang digunakan dikali dengan banyaknya frame suara yang terbentuk. Matriks ini menunjukkan ciri spectral dari
10 sinyal suara tersebut. Masing-masing data suara yang telah diproses dengan MFCC memiliki jumlah frame berbeda-beda. Pelatihan Parameter JST yang optimal sangat diperlukan untuk mendapatkan model JST yang baik. Karakteristik JST yang digunakan merupakan parameter dari resilient backpropagation, yaitu hidden neuron, toleransi galat, learning rate, faktor naik, faktor turun, delta0, dan deltamax. Pencarian parameter JST optimal dapat dilakukan dengan kombinasi hidden neuron. Penelitian ini menggunakan kombinasi jumlah hidden neuron 10, 25, 50, dan 100. Sedangkan parameter lain dibuat sesuai nilai default-nya, yaitu nilai toleransi galat 0.01, nilai learning rate 0.0001, nilai faktor naik 1.2, nilai faktor turun 0.5, nilai delta0 0.1, dan nilai deltamax 50. Hasil Pengujian Tahap pengujian dilakukan dengan menggunakan kombinasi parameter yang berbeda sehingga terlihat perbandingan akurasi dan diperoleh hasil yang baik. Parameter yang digunakan adalah sebagai berikut: 1 Time frame sebesar 100 ms 2 Overlap 0.4 3 Koefisien cepstral 13, 26, dan 52 4 Hidden neuron 10, 25, 50, dan 100 5 Toleransi galat 0.01 6 Learning rate 0.0001 7 Faktor naik 1.2 8 Faktor turun 0.5 9 delta0 0.1 10 deltamax 50 Tabel 4 menunjukkan perbandingan akurasi penggunaan koefisien cepstral 13, 26, dan 52 terhadap nilai hidden neuron 10, 25, 50, dan 100. Rataan akurasi terendah diperoleh dengan koefisien cepstral 13, yaitu sebesar 44.43% pada hidden neuron 10. Sedangkan rataan akurasi tertinggi diperoleh dengan koefisien cepstral 52, yaitu sebesar 95.56% pada hidden neuron 100. Tabel 4 Perbandingan nilai akurasi antara koefisien dengan hidden neuron Hidden neuron Koefisien cepstral 10 25 50 100 13 44.34% 51.15% 52.60% 53.37% 26 70.28% 77.71% 79.83% 80.97% 52 88.78% 93.47% 94.76% 95.56% Pada penelitian ini, nilai hidden neuron berbanding lurus dengan akurasi yang dihasilkan sistem. Nilai hidden neuron 10 menghasilkan nilai akurasi terendah untuk masing-masing koefisien ceptral. Sedangkan akurasi tertinggi diperoleh pada hidden neuron 100. Nilai hidden neuron mempengaruhi kenaikan
11
Akurasi (%)
akurasi dan lama waktu pelatihan. Meskipun nilai hidden neuron tinggi tetapi tidak dapat dijadikan acuan untuk memperoleh nilai akurasi yang tinggi. Penggunaan nilai hidden neuron lebih dari 100 akan mempengaruhi peningkatan nilai akurasi tetapi tidak signifikan. Sebaliknya, jika digunakan nilai hidden neuron lebih kecil dari 100, maka diperoleh nilai akurasi kecil tetapi waktu pelatihan lebih cepat. Representasi data dari Tabel 4 dalam bentuk grafik dapat dilihat pada Gambar 6.
100 90 80 70 60 50 40 30 20 10 0
88.78
93.47
94.76
95.56
77.71
79.83
80.97
51.15
52.60
53.37
25
50
100
Koefisien cepstral
70.28
44.43
10
13 26 52
Hidden neuron
Gambar 6 Perbandingan akurasi antara koefisien cepstral dengan hidden neuron Kecenderungan peningkatan jumlah koefisien cepstral dan hidden neuron terhadap nilai akurasi diperoleh dengan menggunakan nilai overlap 0.4 dan time frame 100 ms. Akurasi tertinggi diperoleh sebesar 95.56% yaitu pada koefisien cepstral 52 dan jumlah hidden neuron sebanyak 100. Sedangkan akurasi terendah diperoleh sebesar 44.43% ketika nilai koefisien cepstral 13 dan jumlah hidden neuron sebanyak 10. Analisis Percobaan Pengujian identifikasi chord gitar dengan koefisien cepstral 13, 26 dan 52 menghasilkan nilai akurasi yang berbeda, dapat dilihat pada Tabel 5. Tingkat akurasi tertinggi diperoleh pada koefisien 52 dan hidden neuron 100 sebesar 95.56%. Sedangkan akurasi terendah diperoleh pada koefisien 13 dengan nilai hidden neuron 10 sebesar 44.43 %. Tabel 5 Rata-rata akurasi koefisien cepstral berdasarkan nilai hidden neuron Hidden neuron 10 25 50 100 Rata-rata
Koefisien 13 44.34% 51.15% 52.60% 53.37% 50.37%
Koefisien 26 70.28% 77.71% 79.83% 80.97% 77.20%
Koefisien 52 88.78% 93.47% 94.76% 95.56% 93.14%
12 Berdasarkan Tabel 5, dapat disimpulkan bahwa koefisien cepstral 52 menghasilkan akurasi yang lebih baik dari koefisien cepstral 13 dan 26 untuk masing-masing nilai hidden neuron yang telah ditentukan. Selain itu rata-rata akurasi yang dihasilkan koefisien cepstral 13, 26, dan 52 adalah 50.37%, 77.20%, dan 93.14%. Analisis Kesalahan Pengembangan JST resilient backpropagation untuk identifikasi chord gitar pada koefisien 52 dengan nilai hidden neuron 100 mampu menghasilkan hasil rata- rata akurasi yang baik. Confusion matrix koefisien 52 dengan nilai hidden neuron 100 dapat dilihat pada Lampiran 3. Kesalahan identifikasi chord gitar pada koefisien 52 dengan nilai hidden neuron 100 diperoleh sebanyak 20 kesalahan. Kesalahan terbanyak sebesar 33 kesalahan identifikasi dihasilkan pada chord ke-10 atau chord C#m. Dari 120 data uji, terindentifikasi kesalahan sebagai chord C#, chord F#, chord G#m, chord A#m dan chord G#.
SIMPULAN DAN SARAN Simpulan Berdasarkan penelitian yang telah dilakukan dapat diambil kesimpulan bahwa penilitian ini telah berhasil mengembangkan implementasi metode jaringan syaraf tiruan resilient backpropagation dan teknik ekstraksi ciri MFCC dalam identifikasi chord gitar. Selain itu, penelitian ini mampu mengidentifikasi campuran nada gitar. Akurasi tertinggi diperoleh sebesar 95.56% dengan penggunaan time frame 100 ms, overlap 0.4, koefisien cepstral 52, dan hidden neuron sebanyak 100. Saran Pada penelitian ini, parameter yang digunakan masih sesuai nilai defaultnya. Untuk penelitian selanjutnya, nilai default tersebut dapat diganti agar diperoleh hasil akurasi yang lebih baik. Selain itu, pada penelitian berikutnya dapat dilakukan penambahan jumlah chord gitar.
13
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. Do MN. 1994. Digital signal processing mini-project: an automatic recognition system. Laussane (CH): Federal Institute of Technology. Fausett L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. New York (US): Prentice-Hall. Siang JJ. 2009. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Yogyakarta (ID): Penerbit ANDI. Susanto N. 2007. Pengembangan model jaringan syaraf tiruan resilient backpropagation untuk identifikasi pembicara dengan praproses MFCC [skripsi]. Bogor (ID): Institut Pertanian Bogor. Taufani MF. 2011. Perbandingan pemodelan wavelet dan MFCC sebagai ekstraksi ciri pada pengenalan fonem dengan teknik jaringan syaraf tiruan sebagai classifier [skripsi]. Bogor (ID): Institut Pertanian Bogor. Wisnudisastra E. 2009. Pengenalan chord pada alat musik gitar menggunakan codebook dengan teknik ekstraksi ciri MFCC [skripsi]. Bogor (ID): Institut Pertanian Bogor.
14 Lampiran 1 Bentuk chord yang digunakan pada pelatihan dan pengujian
15 Lampiran 1 Lanjutan
16 Lampiran 2 Algoritme JST propagasi balik resilient (Susanto 2007) Langkah 0. Inisialisasi bobot Langkah 1. Selama syarat henti salah, lakukan langkah 2–9 Langkah 2. Untuk setiap pasangan pelatihan (masukan dan target), lakukan langkah 3–8 Langkah 3. Setiap unit masukan (Xi, i = 1,...,n) menerima sinyal masukan xi dan meneruskannya ke seluruh unit pada lapisan diatasnya (hidden unit) Langkah 4. Setiap unit tersembunyi (Zj, j = 1,....,p) menghitung total sinyal masukan terbobot, n
n
0
n , lalu menghitung sinyal keluarannya dengan fungsi aktivasi, dan mengirimkan sinyal ini ke seluruh unit pada lapisan atasnya (lapisan output). Langkah 5. Setiap unit output (Yk, k = 1,....,m) menghitung total sinyal masukan terbobot, n
w0
w
lalu menghitung sinyal keluaran dengan fungsi aktivasi, n . Langkah 6. Setiap unit output (Yk, k = 1,....,m) menerima sebuah pola target yang sesuai dengan polamasukan pelatihannya. Unit tersebut menghitung informasi kesalahan, t - ) n
l l kemudian menghitung koreksi bobot (digunakan untuk mengubah wjk nanti), w l 0 w w w
n
w
l
0
w
l
0
w ,
lta a
w
0
w
0
0 0 hitung juga nilai koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b )
17 Lampiran 2 Lanjutan b b b
b
l l l
0 0 0
n
b ,
lta a
0
a
b ,
lta
0
b n
b b
0 0 b 0 0 Langkah 7. Setiap unit tersembunyi (Zj, j = 1,....,p) menghitung selisih input (dari unit-unit pada layer atasnya) n
w
lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung informasi errornya n n
l l kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij) l 0 l
0
l
0
, 0 0 0 0 hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai ) b l 0 b
b
l
0
b
l
0
n
b ,
lta a
0
a
b ,
lta
0
b n
18 Lampiran 2 Lanjutan b
b
0
b
0 0
0
Langkah 8. Setiap unit output (Yk, k = 1,....,m) mengubah bias dan bobot-bobotnya (j=0,...,p) w w n w w l b n w b l b Setiap unit tersembunyi (Zj, j = 1,....,p) mengubah bias dan bobotbobotnya (i=1,..,n) n w l b n w b l b Langkah 9. Uji syarat henti : n
Jika besar mean squared error
n
t-
lebih kecil daripada
toleransi yang telah ditentukan atau jumlah epoch pelatihan sudah mencapai epoch maksimum, selesai; jika tidak, kembali ke Langkah 1.
19
Lampiran 3 Confusion matrix kesalahan dalam pengenalan chord pada koefisien 52 dengan nilai hidden neuron 100 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 115 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2
Am 5 116 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
A# 0 0 120 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
A#m 0 0 0 117 0 0 0 0 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
B 0 0 0 0 116 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
Bm 0 0 0 0 4 119 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
C 0 0 0 0 0 0 119 1 2 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0
Cm 0 0 0 0 0 0 0 118 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
C# 0 0 0 0 0 0 0 0 103 20 0 0 0 0 0 0 1 0 0 0 0 0 0 0
C#m 0 0 0 0 0 0 0 0 8 87 0 0 0 0 0 0 0 0 0 0 0 0 3 0
D Dm D# 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 115 3 0 13 105 0 0 0 120 0 0 9 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Rataan akurasi
D#m 0 0 0 0 0 0 0 0 1 0 0 0 0 107 0 0 0 0 0 0 0 0 0 0
E 0 0 0 0 0 0 0 0 1 0 0 0 0 0 120 0 0 0 0 0 0 0 0 0
Em 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 116 0 0 0 0 3 0 0 0
F 0 0 0 0 0 0 0 0 1 0 0 2 0 0 0 0 117 4 0 0 0 0 0 0
Fm 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 2 0 116 0 0 0 0 0 0
F# 0 0 0 0 0 0 0 0 3 3 0 0 0 1 0 0 0 0 119 0 0 0 0 0
F#m 0 0 0 0 0 0 0 0 0 0 1 0 0 2 0 0 0 0 0 118 0 0 0 0
G 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 116 0 1 1
Gm 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 120 0 0
G# 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 1 0 0 0 116 0
G#m 0 1 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 117
Akurasi(%) 95.83% 96.67% 100.00% 97.50% 96.67% 99.17% 99.17% 98.33% 85.83% 72.50% 95.83% 87.50% 100.00% 89.17% 100.00% 96.67% 97.50% 96.67% 99.17% 98.33% 96.67% 100.00% 96.67% 97.50% 95.56%
20
RIWAYAT HIDUP Penulis dilahirkan di Sumedang tanggal 22 Maret 1987 dari Ibu Yayah dan Bapak Yoyo. Penulis merupakan anak pertama dari dua bersaudara. Pada tahun 2006, penulis lulus dari Sekolah Menengah Atas (SMA) YZA 2 Bogor dan pada tahun yang sama diterima di Direktorat Program Diploma IPB Program Keahlian Teknik Komputer melalui jalur Undangan Seleksi Masuk IPB. Pada tahun 2009 penulis lulus dari Diploma IPB dan pada tahun 2010 melanjutkan pendidikan di Program Alih Jenis Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB.
