PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR
ARVIANI RIZKI
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 Probabilistic Neural Network untuk Identifikasi Chord Gitar adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun 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, Desember 2013 Arviani Rizki NIM G64104027
ABSTRAK ARVIANI RIZKI. Pengembangan Model Probabilistic Neural Network untuk Identifikasi Chord Gitar. Dibimbing oleh AGUS BUONO.
Pengenalan kunci gitar membutuhkan teknik ekstraksi ciri dan model pengenalan pola. Penelitian ini membangun sistem pengenalan suara gitar menggunakan teknik MFCC sebagai pengekstraksi ciri dan PNN sebagai pengenal pola. Tujuan penelitian ini adalah menemukan parameter-parameter yang menghasilkan akurasi terbaik. Parameter-parameter tersebut terkait dengan MFCC, yaitu jumlah koefisien cepstral, overlap, dan time frame. Sistem bekerja dengan membaca file suara berformat WAV, kemudian file diproses dengan teknik MFCC dan PNN untuk menghasikan keluaran kunci suara gitar berupa teks. Penelitian ini menggunakan 8 280 data suara gitar dari 24 chord yang berbeda. Hasil penelitian menunjukan bahwa koefisien cepstral 52, overlap 0.4, dan time frame 100 ms menghasilkan akurasi maksimum yaitu 96.56%. Kata kunci: identifikasi kunci gitar, mel frequency cepstral coefficients (MFCC), pengenalan suara, probabilistic neural network
ABSTRACT ARVIANI RIZKI. Development of Probabilistic Neural Network Model to Identify Guitar Chord. Supervised by AGUS BUONO.
Guitar chord recognition requires feature extraction techniques and pattern recognition model. This research developed a guitar chord recognition system by utilizing MFCC as the feature extraction and PNN technique as the pattern recognition. The aim of this research was to find the parameters that can produce the highest accuracy. Those parameters were related to MFCC, namely cepstral coefficients, overlap, and time frame. The system worked by reading a WAV file and then processing the guitar chord text. This research utilized 8 280 guitar sound data from 24 different guitar chords. The result showed that 52 cepstral coefficients, 0.4 overlap, and 100 ms time frame can produce the highest accuracy of 96.56%. Keywords: guitar's chord identification, mel frequency cepstral coefficients (MFCC), probabilistic neural network, speaker recognition
PENGEMBANGAN MODEL PROBABILISTIC NEURAL NETWORK UNTUK IDENTIFIKASI CHORD GITAR
ARVIANI RIZKI
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
Penguji: 1 Mushthofa, SKom MSc 2 Muhammad Asyhar Agmalaro, SSi MKom
Judul Skripsi : Pengembangan Model Probabilistic Neural Networkuntuk IdentifIkasi Chord Gitar : Arviani Rizki Nama : G64104027 NIM
Disetujui oleh
ono MSiMKom Pembimbing
Diketahui oleh
".
Tanggal Lulus :
:,
~ ' ." .
'f
' c '
:r
o9 DE C 2013
Judul Skripsi : Pengembangan Model Probabilistic Neural Network untuk Identifikasi Chord Gitar Nama : Arviani Rizki NIM : G64104027
Disetujui oleh
Dr Ir Agus Buono, MSi MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen Ilmu Komputer
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan September 2012 ini ialah ekstraksi ciri dan pengenalan pola, dengan judul Pengembangan Model Probabilistic Neural Network 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 Bapak Dr Ir Agus Buono, MSi MKom selaku pembimbing yang telah memberikan arahan, bimbingan, dan saran selama penelitian ini berlangsung. 2 Bapak Mushthofa, SKom MSc dan Bapak Muhammad Ashyar Agmalaro, SSi MKom selaku penguji untuk penelitian ini. 3 Orang tua tercinta Bapak Arief Suyanto, Ibu Tuti Suryati serta kakak-kakak tersayang atas segala doa dan dukungan yang tiada hentinya. 4 Teman-teman ilmu komputer Toni Haryono, Armen Marta, Yosi Nurhayati dan Ahmad Somadi terima kasih atas kerjasamanya. Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga karya ilmiah ini bermanfaat.
Bogor, Desember 2013 Arviani Rizki
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
Pengambilan Data Suara Gitar
4
Normalisasi
4
Segmentasi
5
Data Latih dan Data Uji
5
Ekstraksi Ciri dengan MFCC
5
Pembuatan Modul PNN
7
Pengujian
9
HASIL DAN PEMBAHASAN
9
Pengumpulan Data
9
Segmentasi
9
Ekstraksi Ciri dengan MFCC
9
Hasil Pengujian
10
Percobaan dengan 13 koefisien cepstral
10
Percobaan dengan 26 koefisien cepstral
11
Percobaan dengan 39 koefisien cepstral
11
Percobaan dengan 52 koefisen cepstral
11
Analisis Percobaan
12
Analisis Kesalahan
12
SIMPULAN DAN SARAN
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
14
RIWAYAT HIDUP
22
DAFTAR TABEL 1 2 3 4 5 6
Chord mayor dan chord minor Komposisi data Akurasi dengan 13 koefisien cepstral Akurasi dengan 26 koefisien cepstral Akurasi dengan 39 koefisien cepstral Akurasi dengan 52 koefisien cepstral
4 5 10 11 11 11
DAFTAR GAMBAR 1 Alur proses transformasi sinyal suara analog menjadi informasi (Buono 2009) 2 Diagram alur penelitian 3 Diagram alur teknik MFCC untuk mengekstrak sinyal 4 Struktur PNN (Ganchev 2005) 5 Pemodelan PNN identifikasi chord 6 Perbandingan hasil akurasi dengan 13, 26, 39, dan 52 koefisien cepstral
2 3 6 8 10 12
DAFTAR LAMPIRAN 1 2 3 4 5
Bentuk chord yang digunakan pada pelatihan dan pengujian Confusion matrix kesalahan identifikasi chord pada koefisien 13 Confusion matrix kesalahan identifikasi chord pada koefisien 26 Confusion matrix kesalahan identifikasi chord pada koefisien 39 Confusion matrix kesalahan identifikasi chord pada koefisien 52
15 17 18 19 20
1
PENDAHULUAN Latar Belakang Gitar merupakan alat musik yang paling umum dimainkan oleh berbagai kalangan usia. Hampir semua jenis musik menggunakan gitar sebagai instrumen. Untuk menghasilkan suara gitar yang harmonis dibutuhkan penguasaan kunci atau chord gitar. Chord merupakan satuan nada-nada yang dibunyikan secara serentak yang berfungsi sebagai pengiring dalam lagu maupun permainan musik (Wisnudisastra dan Buono 2010). Pendengaran manusia memiliki kemampuan dan kepekaan yang beragam dalam mengenali chord gitar. Seorang yang terbiasa dengan suara gitar dapat dengan mudah mengenali dan membedakan chord gitar, namun bagi orang awam hal tersebut sulit untuk dilakukan. Penggunaan teknologi dan komputer dapat dilakukan untuk memecahkan masalah tersebut, yaitu pembuatan sistem yang dapat mengidentifikasi chord gitar. Kinerja komputer yang objektif dan konsisten dalam menjalankan setiap perintah dapat memudahkan pengguna untuk mengetahui dan membedakan suara chord gitar dengan akurat. Pengenalan suara (speech recognition) adalah teknologi yang dapat mengubah sinyal suara menjadi sebuah informasi berupa teks. Suara chord gitar dapat diidentifikasi dengan mengekstrasi ciri dari setiap chord menggunakan teknik mel-frequency cepstrum coefficient (MFCC) untuk kemudian dilakukan pengenalan pola menggunakan probabilistic neural network (PNN). PNN sebagai salah satu arsitektur jaringan saraf tiruan (JST) telah terbukti menghasilkan akurasi tinggi di beberapa penelitian sebelumnya. Penelitian yang telah dilakukan oleh Fransiswa (2010) tentang pengembangan PNN pada pengenalan kisaran usia dan jenis kelamin berbasis suara memiliki rataan akurasi 91.26%. Penelitian identifikasi suara gitar sebelumnya dilakukan oleh Wisnudisastra (2010) menggunakan teknik MFCC dan codebook sebagai pengenalan pola. Penelitian tersebut menghasilkan rataan akurasi sebesar 91% menggunakan 13 koefisien cepstral dan 96% menggunakan 26 koefisien cepstral. Penelitian tersebut memiliki keterbatasan untuk mengenali satu jenis chord gitar sehingga belum dapat mengidentifikasi chord gitar yang kontinu. Pada penelitian ini, identifikasi chord gitar dilakukan untuk chord gitar yang kontinu menggunakan teknik MFCC untuk ekstraksi ciri dan model PNN untuk pengenalan pola. Tujuan Penelitian Tujuan dari penelitian ini adalah: 1 Mengimplementasikan teknik ekstraksi ciri MFCC dan metode PNN untuk identifikasi chord gitar. 2 Mengidentifikasi suara gitar yang terdiri dari campuran chord gitar. 3 Mengetahui akurasi dari identifikasi chord gitar dengan menggunakan model PNN.
2
Manfaat Penelitian Dengan adanya penelitian ini diharapkan dapat memberikan informasi tingkat akurasi pengembangan model PNN untuk identifikasi chord gitar yang kontinu. Ruang Lingkup Penelitian
1 2 3 4 5
Ruang lingkup dari penelitian ini antara lain: Gitar yang digunakan adalah jenis gitar akustik dengan senar string. Suara gitar berupa hasil rekaman dari campuran chord mayor dan chord minor. Suara gitar berupa dua campuran chord. Gitar dimainkan dengan cara dipukul serentak dari atas ke bawah dalam satu posisi untuk setiap chord. Gitar yang digunakan adalah standar tunning.
METODE PENELITIAN Penelitian ini menggunakan suara gitar yang akan diproses oleh sistem menjadi suatu informasi berupa chord dari suara gitar tersebut. Untuk dapat mengubah sebuah suara menjadi suatu informasi dibutuhkan beberapa proses, alur proses tersebut dapat dilihat pada Gambar 1. Gelombang suara yang ditangkap berupa sinyal analog, maka sinyal tersebut perlu diubah dahulu menjadi sinyal digital agar dapat diolah oleh komputer, proses ini disebut digitalisasi.
Gambar 1 Alur proses transformasi sinyal suara analog menjadi informasi (Buono 2009)
3
Proses digitalisasi suara terdiri dari dua tahap yaitu sampling dan kuantisasi (Jurafsky dan Martin 2000). Sampling adalah proses pengambilan nilai (sampling rate) dalam jangka waktu tertentu. Sampling rate adalah banyaknya nilai yang diambil setiap detik. Sampling rate yang biasa digunakan pada pengenalan suara ialah 8 000 Hz sampai dengan 16 000 Hz (Jurafsky dan Martin 2000). Hubungan antara panjang vektor data yang dihasilkan dengan sampling rate dan panjangnya data suara yang didigitalisasikan dapat dinyatakan secara sederhana sebagai berikut: S = Fs × T Keterangan : S = panjang vektor Fs = sampling rate yang digunakan (Hertz) T = panjang suara (detik) Setelah melalui proses sampling proses selanjutnya adalah kuantisasi. Kuantisasi merupakan proses mengkonversi nilai amplitudo yang bersifat kontinu pada suatu waktu tertentu menjadi sinyal digital dengan mengekspresikannya menggunakan sejumlah digit tertentu (Buono 2009). Setelah mengubah sinyal analog menjadi sinyal digital, dilakukan pembacaan sinyal dari frame ke frame dengan lebar tertentu yang saling tumpang tindih untuk menghindari kehilangan informasi. Ekstraksi ciri dilakukan pada setiap frame untuk mendapatkan vektor ciri. Setiap vektor ciri tersebut dilakukan pengenalan pola untuk memperoleh informasi yang diinginkan. Pembuatan sistem dibagi menjadi beberapa tahap sesuai dengan diagram alur penelitian yang ditunjukkan pada Gambar 2. Mulai Perumusan Masalah
Teori-teori yang terkait
Pengambilan Data Suara Gitar Normalisasi Segmentasi Manual Data Latih
Data Uji
MFCC
MFCC
Pembuatan Modul PNN
Parameter Modul
Pengujian Analisis & Pembahasan Dokumentasi & Pelaporan Selesai
Gambar 2 Diagram alur penelitian
4
Pengambilan Data Suara Gitar Penelitian ini menggunakan data hasil perekaman suara gitar yang telah dikonversi ke bentuk digital berformat WAV. Suara gitar merupakan hasil campuran permainan dua buah chord dari 24 chord yang ada. Chord gitar yang dimainkan terdiri dari dua jenis, yaitu chord mayor dan chord minor yang masingmasing berjumlah 12. Chord mayor dan minor seperti pada Tabel 1. Bentuk 24 chord mayor dan minor yang digunakan pada penelitian ini dapat dilihat pada Lampiran 1. Perekaman suara gitar dilakukan menggunakan microphone yang dipasang pada gitar dan dilakukan ditempat yang hening untuk meminimalkan adanya noise. Perekaman dilakukan sebanyak 15 kali untuk setiap dua campuran chord. Data suara berjumlah 8 640 data yang berasal dari perkalian 24 chord pertama, 24 chord kedua dan 15 kali perekaman. Suara gitar direkam menggunakan ukuran waktu tiga detik dengan sampling rate sebesar 11 000 Hz dan bit rate sebesar 16 bit. Data suara gitar berupa campuran chord C ke chord C#, chord C ke chord Cm dan seterusnya masingmasing sebanyak 15 kali. Untuk setiap campuran digunakan sepuluh kali perekaman untuk data latih dan lima kali perekaman untuk data uji. Sehingga terdapat 5 760 data latih dan 2 880 data uji. Tabel 1 Chord mayor dan chord minor Chord dasar C C# D D# E F F# G G# A A# B
Mayor C C# D D# E F F# G G# A A# B
Minor Cm C#m Dm D#m Em Fm F#m Gm G#m Am A#m Bm
Normalisasi Normalisasi merupakan langkah praproses data. Setiap data suara memiliki nilai rentang amplitudo yang berbeda sehingga data suara perlu dinormalisasi terlebih dahulu dengan cara mengabsolutkan nilai-nilai data suara dan mencari nilai maksimumnya. Selanjutnya, setiap nilai data tersebut dibagi dengan nilai maksimumnya. Hal ini dilakukan untuk menormalkan suara sehingga memiliki amplitudo maksimum satu dan minimum minus satu.
5
Segmentasi Tahap segmentasi merupakan tahap pemotongan jeda pada setiap sinyal suara. Pendeteksian jeda dilakukan pada sinyal untuk memisahkan dua campuran chord menjadi dua sinyal yang berbeda. Pada pengambilan data suara, terdapat jeda pada perpindahan chord pertama dan chord kedua. Dengan demikian sinyal suara akan dipisah secara manual dengan menghapus bagian yang dianggap jeda, sehingga akan mendapatkan dua sinyal yaitu chord pertama dan chord kedua. Pemisahan dilakukan dengan mencari rentang terbesar dari setiap frame yang nilainya kurang dari rataan frame. Data Latih dan Data Uji Data latih merupakan data yang digunakan untuk pembelajaran sistem. Data latih diambil sebanyak 10 kali dari masing-masing dua campuran chord mayor dan chord minor. Setelah melalui tahap segmentasi, didapatkan 5 760 data latih dari hasil perkalian 24 chord pertama, 24 chord kedua dan 10 kali perekaman. Data latih kemudian diproses dengan teknik MFCC untuk mengekstraksi ciri dari setiap data latih. Data uji merupakan data yang digunakan untuk uji coba akurasi sistem. Terdapat 2 880 data uji yang berasal dari hasil perkalian 24 chord pertama, 24 chord kedua dan 5 kali perekaman. Komposisi data chord yang dipakai dalam penelitian dapat dilihat pada pada Tabel 2. Tabel 2 Komposisi data Komposisi Jumlah chord Jumlah campuran Data latih Data uji Total data
(24 x 24) (576 x 10) (576 x 5) (5760 + 2280)
Jumlah 24 576 5760 2280 8640
Ekstraksi Ciri dengan MFCC Ekstraksi ciri merupakan proses untuk menentukan suatu nilai atau vektor yang dapat digunakan sebagai penciri objek atau individu (Buono 2009). Salah satu teknik ekstraksi ciri pemrosesan suara yang sering digunakan dan menunjukan kinerja yang baik adalah MFCC. Pada Gambar 3 sinyal suara dibaca dari frame ke frame dengan lebar tertentu yang saling tumpang tindih (overlap), kemudian dilakukan windowing pada setiap frame. Tahap berikutnya, dilakukan transformasi Fourier untuk mengubah suara dari domain waktu ke domain frekuensi. Nilai hasil transformasi Fourier ini dihitung spectrum mel menggunakan sejumlah filter. Filter yang digunakan berupa filter segitiga yang saling overlapping. Rentang filter segitiga tersebut ditentukan berdasarkan hasil studi psikologi manusia dalam
6
mendengarkan bunyi (Ganchev 2005). Skala mel dibentuk untuk mengikuti persepsi sistem pendengaran manusia. Sinyal suara frame ke t O2 + O =OO=1O,O , …, O…,O 1 2+ t , …T, OT t, …,O Windowing: yt (n)=xt (n)w(n), 0 ≤ n ≤ N-1 w(n) = 0.54 – 0.46 cos (2πn/(N-1)) 𝑦𝑡 (𝑛) = hasil 𝑤𝑖𝑛𝑑𝑜𝑤𝑖𝑛𝑔 pada frame ke 𝑛dalam domain waktu N= jumlah sampel pada setiap frame, n = frame ke-… W= formula hamming window, 𝑥𝑡 (𝑛) = nilai data ke n Fast Fourier Transform (FFT): N-1
Xn = ∑ xk e-2πjki/N k=0
Xk =nilai-nilai sampel yang akan diproses pada domain frekuensi Xn =magnitude frekuensi N = jumlah data pada domain frekuensi, j=bilangan imajiner, k = N/2 + 1, i = n x t
Mel Frequency Wrapping: mel(f) = 2595 * log10 (1 + f / 700) dari sini diperoleh M filter, dan dihitung spektrum Mel: N-1
Xi =log10 (∑|X(k)|Hi (k)) , i=1,2,3,…,M k=0
𝐻𝑖 (k) = nilai filter segitiga ke i X(k)=nilai data ke k hasil proses FFT M = jumlah filter N= banyaknya data Cepstrum Coefficients :Discrete Cosine Transform 𝑀
𝐶𝑗 = ∑ 𝑋𝑖 𝑐𝑜𝑠 (𝑗(𝑖 − 1)/2 𝑖=1
𝜋 ) 𝑀
Cj =nilai koefisien C ke j j= jumlah koefisien cepstral M = jumlah filter Xi =hasil Mel Frequency Wrapping pada frekuensi ke i, i= jumlah wrapping
Gambar 3 Diagram alur teknik MFCC untuk mengekstrak sinyal Koefisien MFCC merupakan hasil transformasi cosinus dari spektrum mel tersebut dan dipilih k koefisien. Transformasi cosinus berfungsi untuk mengembalikan domain, dari domain frekuensi ke domain waktu. Tahap-tahap proses MFCC adalah sebagai berikut (Do 1994) : 1 Frame blocking. Pada tahap frame blocking sinyal suara dibagi ke dalam nbuah frame yang terdiri dari n-sampel. Tahap ini melakukan overlapping pada
7
2
3 4
5
frame yang satu dengan frame tetangganya untuk menghindari kehilangan informasi. Windowing. Untuk meminimalkan diskontinuitas sinyal pada setiap awal dan akhir frame dilakukan proses windowing. Proses ini dilakukan dengan mengalikan antara frame dengan jenis window yang digunakan. Fast Fourier Transform (FFT). Tahap FFT mengubah tiap frame dari domain waktu ke domain frekuensi. Mel-frequency wrapping. Proses ini menggunakan filter yang saling overlapping untuk domain frekuensi. Rentang filter tersebut ditentukan berdasarkan hasil studi psikologi manusia dalam mendengarkan bunyi (Ganchev 2005). Oleh karena itu, untuk setiap nada dengan frekuensi aktual f, tinggi subyektifnya diukur dengan skala mel (melody). Skala mel-frequency adalah selang frekuensi di bawah 1 000 Hz dan selang logaritmik untuk frekuensi di atas 1 000 Hz (Do 1994) Cepstrum coefficients. Hasil dari proses MFCC adalah mel spectrum coefficients dengan jumlah koefisien yang ditentukan terlebih dahulu. Kemudian algoritma discrete cosine transform (DCT) digunakan untuk mengkonversi mel-frequency ke dalam domain waktu. Pembuatan Modul PNN
Probabilistic neural network (PNN) adalah suatu metode klasifikasi jaringan saraf tiruan (JST) dengan menggunakan data pelatihan. Model PNN merupakan salah satu jenis jaringan saraf tiruan yang memiliki tingkat akurasi yang cukup tinggi dalam pengklasifikasian yaitu hampir mendekati 100% (Fransiswa 2010). Dengan menggunakan pengklasifikasi Bayesian dapat ditentukan bagaimana sebuah data masukan diklasifikasi sebagai anggota suatu kelas dari beberapa kelas yang ada, yaitu yang mempunyai nilai maksimum pada kelas tersebut. PNN memiliki struktur yang terdiri atas empat layer seperti pada Gambar 4. 1 Input layer merupakan layer untuk input data yang akan diuji. 2 Pattern layer berfungsi menghitung jarak antara nilai input data suara dengan nilai pola dari tiap anggota kelas yang dirumuskan pada Persamaan 1. fA (x) =
1 (2π)
1
p⁄2 p
h
∑m exp[− m i=1
(x−xAi )T (x-xAi ) 2h2
]
Keterangan: p = dimensi vektor input m = jumlah pola pelatihan xAi = vektor latih kelas-A urutan ke-i x = vektor input h = smoothing parameter (α × simpangan baku ke-i×n1/5)
(1)
8
Gambar 4 Struktur PNN (Ganchev 2005) Nilai fA(x) merupakan nilai hasil pattern layer ke-i sampai n banyaknya pattern di setiap kelas. Setelah mendapatkan selisih jarak antara data input dengan data pada pattern layer, selisih tersebut dibagi dengan nilai smoothing parameter. Pemilihan nilai smoothing parameter (h) harus diperhatikan, karena nilai ini memegang peranan yang penting terhadap ketepatan hasil pengklasifikasian yang dilakukan. Smoothing parameter yang terlalu kecil akan mengakibatkan pendekatan yang terlalu sempit, sedangkan jika terlalu besar dapat menghilangkan detil yang penting (Masters 1995). 3 Summation layer. Layer ini menghasilkan peluang untuk satu kelas. Peluang tersebut didapat dari penjumlahan pattern layer pada kelas tersebut dan hasilnya dibagi dengan (2π)d/2 hih2...hdn. Nilai hih2...hd adalah nilai smoothing dari kelas tersebut. n 1 P(x)= ∑(fA (x)) d (2π)2 h1 h2 …hd n i=1 4 Decision layer digunakan untuk membandingkan hasil peluang pada setiap kelas. Hasil peluang P(x) pada setiap kelas akan dibandingkan pada layer ini. Selanjutnya, input data dimasukkan dalam kelas yang memiliki nilai peluang terbesar.
9
Pengujian Proses pengujian dilakukan dengan membandingkan data uji dengan chord yang teridentifikasi dari 24 chord yang ada. Data uji akan diklasifikasikan ke kelas yang sesuai dengan cara menghitung peluang terbesar yang mendekati kelas chord tertentu. Hasil yang didapat akan dihitung akurasinya dengan rumus berikut ini: Σ Data uji yang benar Hasil = x 100% Σ Data Uji
HASIL DAN PEMBAHASAN Pengumpulan Data Pengumpulan data suara direkam langsung menggunakan gitar melalui software MATLAB R2008b. Suara campuran 2 chord gitar direkam selama tiga detik dan disimpan ke dalam file berekstensi WAV. Setiap campuran chord dilakukan masing-masing 15 kali perekaman sehingga menghasilkan 8 640 data. Data suara tersebut tersusun dari sinyal-sinyal yang mengandung nilai. Nilai tersebut akan menghasilkan sebuah vektor yang kemudian dilakukan proses normalisasi agar data suara lebih terstandar pada rentang minus satu sampai satu. Segmentasi Data hasil normalisasi disegmentasi secara manual untuk memisahkan dua campuran chord menjadi dua sinyal berbeda. Pemotongan jeda dilakukan dengan beberapa tahap, yaitu: 1 Mengabsolutkan nilai-nilai. 2 Membuat batas pada titik 1 500 sampai 30 000 3 Menghitung rata-rata pada rentang titik tersebut. 4 Menyeleksi rentang nilai chord terpanjang yang kurang dari rata-rata, dan memastikan rentang tersebut berada pada titik 5 000 sampai 20 000. 5 Rentang terpanjang dianggap jeda. 6 Mendapatkan chord pertama dan chord kedua. Setelah mendapatkan semua data dalam bentuk vektor yang diharapkan, maka proses dilanjutkan dengan tahap MFCC. Ekstraksi Ciri dengan MFCC Proses MFCC menggunakan data vektor hasil segmentasi manual. Proses MFCC pada penelitian ini menggunakan fungsi pada auditory toolbox Matlab. Fungsi MFCC didapat dari Buono (2009). Proses MFCC memerlukan beberapa parameter input yaitu sampling rate, time frame, overlap, dan cepstral coefficient. Pada penelitian ini menggunakan nilai untuk sampling rate 11 000 Hz, time frame 100 ms, overlap 0.4 dan jumlah koefisien cepstral yaitu 13, 26, 39, dan 52. Proses MFCC dilakukan untuk semua data dengan mengubah sinyal suara menjadi sebuah matriks yang berukuran sesuai dengan koefisien cepstral yang
10
digunakan dikali dengan banyak frame yang terbentuk. Hasil matriks tersebut menunjukan ciri spectral dari sinyal tersebut. Pemodelan Probabilistic Neural Network Pada model PNN digunakan data uji sebagai input data. Input data diidentifikasi dengan pattern layer. Nilai fA(x) merupakan nilai hasil pattern layer, nilai tersebut dibagi dengan nilai smoothing parameter. Nilai smoothing parameter pada Persamaan 1 digunakan nilai 1.14 untuk α. Simpangan baku didapat dari data setiap pattern ke j=1, 2 sampai n banyaknya data pattern. Sehingga didapatkan smoothing parameter 1.14 × (simpangan baku) × n-1/5. Gambar 5 menunjukan model PNN yang dibuat untuk identifikasi chord gitar.
Gambar 5 Pemodelan PNN identifikasi chord Hasil Pengujian Pada tahap pengujian, data akan diujikan untuk diidentifikasi sesuai dengan chord yang dimainkan. Penelitian ini menggunakan beberapa parameter yang diujicobakan yaitu: 1 Time frame sebesar 100 ms 2 Overlap 0.4 3 Jumlah koefisien cepstral 13, 26, 39, dan 52 4 Smoothing parameter yang didapat dari 1.14 × (simpangan baku) × n-1/5. Percobaan dengan 13 koefisien cepstral Tabel 3 Akurasi dengan 13 koefisien cepstral Chord Akurasi A 8.33 Am 5.83 Ais 52.50 Aism 10.00 B 13.33 Bm 22.50 C 8.33 Cm 80.00 Akurasi keseluruhan
Chord Cis Cism D Dm Dis Dism E Em
Akurasi 27.50 37.50 20.83 84.17 44.17 25.83 47.50 48.33
Chord F Fm Fis Fism G Gm Gis Gism
Akurasi 1.67 55.83 52.50 35.83 29.17 40.83 54.17 77.50
36.84
11
Hasil percobaan menggunakan 13 koefisien cepstral dapat dilihat pada Tabel 3. Akurasi terkecil terdapat pada percobaan chord F yaitu hanya 1.67% sedangkan akurasi terbesar terdapat pada percobaan chord Dm yaitu 84.17%. Percobaan dengan 26 koefisien cepstral Hasil percobaan menggunakan 26 koefisien cepstral dapat dilihat pada Tabel 4. Akurasi terkecil terdapat pada percobaan chord F yaitu 44.17% sedangkan akurasi terbesar terdapat pada percobaan chord Cm yaitu 97.5%. Tabel 4 Akurasi dengan 26 koefisien cepstral Chord Akurasi A 81.67 Am 65.00 Ais 92.50 Aism 90.83 B 73.33 Bm 87.50 C 52.50 Cm 97.50 Akurasi keseluruhan
Chord Cis Cism D Dm Dis Dism E Em
Akurasi 60.00 54.17 64.17 95.00 85.00 55.83 77.50 80.83
Chord F Fm Fis Fism G Gm Gis Gism
Akurasi 44.17 69.17 92.50 91.67 45.00 93.33 90.00 94.17
76.39
Percobaan dengan 39 koefisien cepstral Hasil percobaan menggunakan 39 koefisien cepstral dapat dilihat pada Tabel 5. Akurasi terkecil terdapat pada percobaan chord Dism yaitu 65% sedangkan akurasi terbesar terdapat pada percobaan chord Cm, Dis, Fis dan Fism yaitu 100%. Tabel 5 Akurasi dengan 39 koefisien cepstral Chord Akurasi A 98.33 Am 93.33 Ais 98.33 Aism 98.33 B 90.00 Bm 91.67 C 97.50 Cm 100.00 Akurasi keseluruhan
Chord Cis Cism D Dm Dis Dism E Em
Akurasi 91.67 72.50 85.83 97.50 100.00 65.00 97.50 96.67
Chord F Fm Fis Fism G Gm Gis Gism
Akurasi 95.00 90.83 100.00 100.00 78.33 100.00 100.00 98.33
93.19
Percobaan dengan 52 koefisen cepstral Tabel 6 Akurasi dengan 52 koefisien cepstral Chord Akurasi A 98.33 Am 96.67 Ais 98.33 Aism 100.00 B 96.67 Bm 93.33 C 99.17 Cm 100.00 Akurasi keseluruhan
Chord Cis Cism D Dm Dis Dism E Em
Akurasi 94.17 80.83 92.50 93.33 100.00 89.17 99.17 100.00
Chord F Fm Fis Fism G Gm Gis Gism
Akurasi 98.33 98.33 99.17 100.00 93.33 100.00 98.33 98.33
96.56
12
Hasil percobaan menggunakan 52 koefisien cepstral dapat dilihat pada Tabel 6. Akurasi terkecil terdapat pada percobaan chord Cism yaitu 80.83% sedangkan akurasi terbesar terdapat pada percobaan chord Aism, Cm, Dis, Em, Fism dan Gm yaitu 100%. Analisis Percobaan Berdasarkan hasil pengujian identifikasi chord gitar didapatkan hasil akurasi yang berbeda untuk setiap koefisien cepstral yang digunakan. 100 90
93.19
96.56
Akurasi (%)
80
76.39
70 60 50 40
36.84
30 20 10 13
26 39 Koefisien cepstral
52
Gambar 6 Perbandingan akurasi dengan 13, 26, 39, dan 52 koefisien cepstral Koefisien cepstral yang diujikan antara lain 13, 26, 39, dan 52. Pada Gambar 6 terlihat grafik perbandingan hasil akurasi menggunakan beberapa koefisien cepstral. Pada penelitian ini menunjukan bahwa tingkat akurasi sangat bergantung pada jumlah koefisien cepstral yang digunakan. Berdasarkan penelitian ini semakin besar koefisien cepstral yang digunakan, semakin tinggi rataan akurasi yang dihasilkan. Namun hal itu tidak berlaku untuk akurasi pada masing-masing chord. Seperti pada chord Dm, chord Fis dan chord Gis yang mengalami sedikit penurunan akurasi pada koefisien 52. Hasil akurasi tertinggi terjadi pada percobaan yang menggunakan 52 koefisien cepstral yaitu 96.56%. Rataan akurasi yang didapat dari penelitian ini sebesar 75.75%. Berdasarkan rataan akurasi tiap chord, akurasi tertinggi terdapat pada chord Cm yaitu sebesar 94.38% sedangkan rataan akurasi terendah terdapat pada chord Dism yaitu 58.96%.
Analisis Kesalahan Pada penelitian ini, pengembangan model PNN untuk identifikasi chord gitar menghasilkan akurasi terbaik menggunakan koefisien cepstral 52. Berdasarkan Lampiran 2, pada confusion matrix koefisien cepstral 13 kesalahan identifikasi terbanyak terdapat pada chord B yang diidentifikasi sebagai chord Cm sebanyak 55%.
13
Pada penggunaan koefisien cepstral 26, kesalahan identifikasi terbanyak terdapat pada chord B yang diidentifikasi sebagai chord Bm sebanyak 24%. Confusion matrix koefisien 26 dapat dilihat pada Lampiran 3. Berdasarkan Lampiran 4, kesalahan identifikasi terbanyak untuk koefisien cepstral 39 terdapat pada chord Cism yang diidentifikasi sebagai chord Cis sebanyak 22%. Pada penggunaan koefisien cepstral 52 terjadi kesalahan terbanyak pada chord Cism yang diidentifikasi sebagai chord Cis sebanyak 19%. Confusion matrix dengan koefisien cepstral 52 dapat dilihat pada Lampiran 5. Berdasarkan pengamatan pada setiap pengujian yang dilakukan untuk setiap koefisien cepstral, kesalahan identifikasi terbanyak terjadi pada chord B yang diidentifikasi sebagai chord Bm dan chord Cism yang diidentifikasi sebagai chord Cis.
SIMPULAN DAN SARAN Simpulan Penelitian ini telah berhasil dalam mengidentifikasi chord gitar dengan mengimplementasikan metode PNN dan teknik ekstraksi ciri MFCC. Hasil akurasi tertinggi yang dihasilkan sebesar 90.49% dengan penggunaan time frame 100 ms, overlap 40% dan 52 koefisien cepstral. Penelitian ini mampu mengidentifikasi campuran dua chord gitar menggunakan model PNN. Identifikasi chord gitar dalam penelitian ini dilakukan dengan menggunakan empat koefisien cepstral yang berbeda, yaitu 13, 26, 39, dan 52. Hasil akurasi dengan menggunakan empat koefisien cepstral tersebut secara berurutan ialah 40.97%, 73.47%, 84.76%, dan 90.49%. Hal ini menunjukkan bahwa semakin besar nilai koefisien cepstral semakin tinggi akurasi yang didapatkan. Saran Untuk penelitian selanjutnya dapat dilakukan dengan menggunakan nilai smoothing parameter yang berbeda sehingga dapat dibandingkan pengaruh smoothing parameter terhadap akurasi data.
14
DAFTAR PUSTAKA Buono A. 2009. Representasi nilai HOS dan model MFCC sebagai ekstraksi ciri pada sistem identifikasi pembicara di lingkungan ber-noisemenggunakan HMM [disertasi]. Depok (ID): Universitas Indonesia. Do MN. 1994. Digital Signal Processing Mini-Project: an Automatic Recognition System. Laussane (CH): Federal Institute of Technology. Fransiswa RR. 2010. Pengembangan model probabilistic neural network (PNN) pada pengenalan kisaran usia dan jenis kelamin berbasis suara [skripsi]. Bogor (ID): Institut Pertanian Bogor. Ganchev T. 2005. Speaker recognition [disertasi]. Patras (GR): University of Patras. Jurafsky D, Martin JH. 2000. Speech And Language Processing an Introduction to Natural Language Processing, Computational Linguistic, and Speech Recognition. New Jersey (US): Prentice Hall. MastersT. 1995. Advanced Algorithms for Neural Networks: A C++ Sourcebook. New York (US): John Wiley. Wisnudisastra E, Buono A. 2010. Pengenalan chord pada alat musik gitar menggunakan codebook dengan teknik ekstraksi ciri MFCC. Jurnal Ilmiah Ilmu Komputer. 14(1):16-21.
15
Lampiran 1 Bentuk chord yang digunakan pada pelatihan dan pengujian
16
Lampiran 1 Lanjutan
4
0
0
0
2
1
1
0
3
1
0
0
0
2
0
1
0
0
0
0
0
0
0
Am
Ais
Aism
B
Bm
C
Cm
Cis
Cism
D
Dm
Dis
Dism
E
Em
F
Fm
Fis
Fism
G
Gm
Gis
Gism
Rataan
10
A
A
Chord
0
7
3
1
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
4
0
0
10
Am
0
7
0
0
0
0
0
0
0
1
1
1
1
10
0
1
0
8
9
12
6
63
15
8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
12
2
2
0
Ais Aism
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
3
16
B
6
1
2
0
5
0
1
0
0
3
0
2
0
0
0
2
0
0
3
0
6
7
0
27
Bm
1
0
2
1
1
1
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
10
C
3
15
9
7
1
15
10
5
1
9
5
3
5
6
30
34
96
18
43
66
30
14
17
32
Cm
0
0
0
0
2
0
6
1
7
0
2
0
0
0
17
33
0
8
0
1
0
4
3
0
0
0
0
0
0
3
2
6
4
0
2
0
2
0
45
9
3
16
0
0
5
5
2
3
Cis Cism
0
1
1
2
0
0
0
0
0
3
0
0
0
0
4
0
1
1
2
1
0
0
0
25
D
1
4
2
16
8
19
11
54
19
6
17
3
101
59
16
20
5
27
25
3
12
27
11
22
Dm
0
0
12
1
0
2
0
0
0
0
7
53
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
31
0
0
0
0
0
0
0
0
0
2
0
0
0
Dis Dism
Lampiran 2 Confusion matrix kesalahan identifikasi chord pada koefisien 13 E
11
12
22
14
0
0
0
2
0
57
0
3
0
0
0
0
1
1
0
0
4
0
19
7
3
7
2
0
3
7
0
0
2
19
13
8
6
21
58
11
12
2
10
4
9
2
1
11
Em
F
0
0
0
0
0
0
0
2
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
6
0
5
3
2
0
0
0
0
0
0
2
0
14
3
67
8
6
3
8
14
Fm
0
6
3
5
31
63
8
12
8
3
24
20
1
8
0
7
5
1
1
4
8
0
12
10
Fis
0
1
0
0
43
3
7
1
0
0
0
10
0
1
0
1
0
2
3
0
0
0
0
0
Fism
6
0
0
0
0
0
0
0
3
0
0
0
1
3
6
0
7
13
35
1
1
0
0
15
G 1
9
2
49
22
0
0
0
4
0
8
0
7
0
0
0
0
0
3
0
2
0
0
10
Gm
2
65
6
1
0
2
0
0
0
6
9
3
0
0
0
0
0
0
0
0
26
1
11
2
93
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
36.84
77.50
54.17
40.83
29.17
35.83
52.50
55.83
1.67
48.33
47.50
25.83
44.17
84.17
20.83
37.50
27.50
80.00
8.33
22.50
13.33
10.00
52.50
5.83
8.33
Gis Gism Akurasi
17
Lampiran 2 Confusion matrix kesalahan identifikasi chord pada
Chord A Am Ais Aism B Bm C Cm Cis Cism D Dm Dis Dism E Em F Fm Fis Fism G Gm Gis Gism Rataan
4
78
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
1
6
0
2
14
0
0
0
0
13
0
0
3
0
0
0
0
1
1
0
0
0
0
4
0
0
0
Am
98
A
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
111
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
109
5
0
0
Ais Aism
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
88
B
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
105
29
Bm
0
0
0
0
0
0
0
0
0
0
0
0
0
3
6
1
0
0
0
0
8
0
0
63
C
1
1
1
0
0
0
0
0
0
0
0
0
1
2
2
0
0
0
0
2
1
6
10
117
Cm
0
0
0
0
0
0
0
0
0
0
0
0
0
0
14
72
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
65
3
0
0
0
0
0
0
0
0
Cis Cism
0
0
0
3
0
0
0
0
0
0
0
1
0
0
5
0
2
15
0
0
0
5
2
77
D
0
0
0
2
6
3
1
0
1
0
0
2
1
22
0
7
2
0
114
28
13
12
0
13
Dm
0
0
0
0
0
0
0
0
0
0
2
102
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
67
0
0
1
0
0
0
0
0
0
0
0
0
0
Dis Dism
Lampiran 3 Confusion matrix kesalahan identifikasi chord pada koefisien 26 E
1
0
0
3
0
0
0
0
1
93
8
0
0
0
6
3
0
1
1
0
0
0
0
0
4
0
0
0
0
0
5
0
0
3
0
0
0
0
0
0
0
0
28
0
0
0
5
97
Em
F
0
0
0
0
0
0
8
53
2
2
0
0
0
0
0
2
0
7
2
0
0
0
0
0
3
0
1
4
1
0
1
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
83
Fm
2
0
0
0
0
0
6
4
111
2
4
6
5
25
3
0
2
3
6
0
1
6
0
11
Fis
0
5
1
9
110
0
22
7
5
3
9
9
2
10
2
4
0
11
0
0
0
0
2
7
Fism
0
1
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
54
G 7
0
5
112
13
1
3
0
5
0
3
3
0
0
0
0
0
0
2
0
0
0
0
19
Gm
2
108
0
2
0
0
0
1
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
1
113
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
76.39
94.17
90.00
93.33
45.00
91.67
92.50
69.17
44.17
80.83
77.50
55.83
85.00
95.00
64.17
54.17
60.00
97.50
52.50
87.50
73.33
90.83
92.50
65.00
81.67
Gis Gism Akurasi
18
koefisienLampiran 3 Confusion matrix kesalahan identifikasi chord pada koef26
Chord A Am Ais Aism B Bm C Cm Cis Cism D Dm Dis Dism E Em F Fm Fis Fism G Gm Gis Gism Rataan
2
112
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Am
118
A
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
118
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
118
2
0
0
Ais Aism
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
108
B
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
110
12
Bm
0
0
0
0
2
0
0
0
0
1
0
0
0
0
2
0
0
0
0
0
0
0
0
117
C
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
Cm
0
0
0
0
0
0
0
0
0
0
0
0
0
0
27
110
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
87
4
0
0
0
0
0
0
0
0
Cis Cism
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
103
D
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
117
17
Dm
0
0
0
0
0
0
0
0
0
0
19
120
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
78
0
0
0
0
0
0
0
0
0
0
0
0
0
Dis Dism
Lampiran 4 Confusion matrix kesalahan identifikasi chord pada koefisien 39
0
0
0
0
0
1
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
117
E
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
10
0
0
0
0
116
Em
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
11
114
F
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
109
Fm
0
0
0
3
4
0
0
2
0
2
0
0
0
0
0
0
1
0
120
0
0
0
0
23
Fis
0
0
0
0
120
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
Fism
0
0
0
2
0
2
0
0
0
0
0
0
0
0
2
0
0
0
0
0
1
0
0
94
G
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
120
12
Gm
0
120
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
118
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
93.19
98.33
100.00
100.00
78.33
100.00
100.00
90.83
95.00
96.67
97.50
65.00
100.00
97.50
85.83
72.50
91.67
100.00
97.50
91.67
90.00
98.33
98.33
93.33
98.33
Gis Gism Akurasi
19
Lampiran 4 Confusion matrix kesalahan identifikasi chord pada koefisien 39
Chord A Am Ais Aism B Bm C Cm Cis Cism D Dm Dis Dism E Em F Fm Fis Fism G Gm Gis Gism Rataan
2
116
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
Am
118
A
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
118
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
2
0
0
Ais Aism
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
116
B
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
112
Bm
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
119
C
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
120
Cm
0
0
0
0
0
0
0
0
0
0
0
0
0
0
23
113
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
97
3
0
0
0
0
0
0
0
0
Cis Cism
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
8
111
D
9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
112
Dm
0
0
0
0
0
0
0
0
0
0
11
120
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
107
0
0
0
0
0
0
0
0
0
0
0
0
0
Dis Dism
Lampiran 5 Confusion matrix kesalahan identifikasi chord pada koefisien 52
0
0
0
0
0
1
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
119
E
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
120
Em
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
2
118
F
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
118
Fm
0
0
0
0
2
0
0
0
0
3
0
0
0
0
0
0
0
0
0
1
0
0
0
119
Fis
0
1
0
0
120
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Fism
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
1
0
0
112
G
5
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
120
Gm
0
118
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
118
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
96.56
98.33
98.33
100.00
93.33
100.00
99.17
98.33
98.33
100.00
99.17
89.17
100.00
93.33
92.50
80.83
94.17
100.00
99.17
93.33
96.67
100.00
98.33
96.67
98.33
Gis Gism Akurasi
20
Lampiran 5 Confusion matrix kesalahan identifikasi chord pada koefisien 52
21
RIWAYAT HIDUP Penulis dilahirkan di Jakarta tanggal 3 Agustus 1990 dari Ibu Tuti Suryati dan Bapak Arief Suyanto. Penulis merupakan anak keempat dari empat bersaudara. Pada tahun 2007, penulis lulus dari Sekolah Menengah Atas (SMA) Islam Al-Azhar Kelapa Gading, dan pada tahun yang sama diterima di Diploma Institut Pertanian Bogor Program Keahlian Manajemen Informatika. Pada tahun 2010 penulis lulus dari Diploma Institut Pertanian Bogor dan melanjutkan pendidikan di Program Alih Jenis Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB.
