PENGENALAN SUARA CHORD DENGAN TIGA NADA PENYUSUN PADA INSTRUMEN PIANO MENGGUNAKAN LEARNING VECTOR QUANTIZATION
SARAH RAHMANIA HANIF
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pengenalan Chord dengan Tiga Nada Penyusun pada Instrumen Piano Menggunakan Learning Vector Quantization 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, Agustus 2015 Sarah Rahmania Hanif NIM G64110092
ABSTRAK SARAH RAHMANIA HANIF. Pengenalan Chord dengan Tiga Nada Penyusun pada Instrumen Piano Menggunakan Learning Vector Quantization. Dibimbing oleh AGUS BUONO. Piano merupakan alat musik yang banyak digemari baik untuk dinikmati oleh pendengarnya atau dipelajari secara langsung. Proses belajar piano tidaklah mudah terutama dalam pembelajaran chord. Chord yang umum digunakan adalah triad, yaitu chord yang tersusun atas 3 nada. Begitu banyak kombinasi chord dalam istilah musik sehingga mudah mengecoh orang yang baru mulai belajar, terutama bagi pelajar otodidak yang tidak sensitif terhadap perbedaan nada. Sebuah sistem dibutuhkan untuk membantu proses belajar para pemula dalam mengenali dan membedakan suara chord pada piano. Sistem dikembangkan menggunakan metode klasifikasi jaringan syaraf tiruan learning vector quantization (LVQ) dan metode ekstraksi ciri mel frequency cepstrum coefficient (MFCC). Ekstraksi ciri MFCC dilakukan menggunakan sampling rate sebesar 11000 Hz, frame rate 100 frame per detik, dan menghasilkan 13 koefisien cepstral. Pemodelan LVQ dilakukan dengan menggunakan parameter learning rate yang bervariasi. Hasil pengujian menunjukkan akurasi tertinggi adalah 95.833% dengan nilai learning rate antara 0.036 sampai 0.076, nilai rataan kolom kelas inisiasi sebagai bobot awal, penurunan learning rate 0.5, serta epoch sebanyak 30. Kata kunci: chord, ekstraksi ciri, LVQ, MFCC, piano.
ABSTRACT SARAH RAHMANIA HANIF. Three-Toned Chord Voice Recognition in Piano Instrument using Learning Vector Quantization. Supervised by AGUS BUONO. Piano is a musical instrument that is being popular whether for amusement or its playing skill. The process of learning piano is not easy, especially in learning chord. The chord that commonly used are triad, which means a 3-note chord. There are so many chord combinations in music term so that the beginners are easily deceived, especially those who have a low sense of hearing note differences. Therefore, a system that is able to differ chords sound on piano is needed to help the piano beginners. The system is developed using neural network learning vector quantization (LVQ) classification method and mel frequency cepstrum coefficient (MFCC) feature extraction method. The MFCC feature extraction is applied using sampling rate of 11000 Hz, frame rate of 100 frame per second, and generates 13 cepstrum coefficients. The LVQ modeling is applied using several value of learning rate parameter. The testing results show that the highest accuracy is 95.833% with learning rate value between 0.036 and 0.076, mean of the initiation class collumn as initial weight, learning rate decrement factor is 0.5, and epoch value is 30. Keywords: chord, feature extraction, LVQ, MFCC, piano.
PENGENALAN SUARA CHORD DENGAN TIGA NADA PENYUSUN PADA INSTRUMEN PIANO MENGGUNAKAN LEARNING VECTOR QUANTIZATION
SARAH RAHMANIA HANIF
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 2015
Penguji: 1 Muhammad Asyhar Agmalaro, SSi MKom 2 Dr Imas Sukaesih Sitanggang, SSi MKom
Judul Skripsi : Pengenalan Chord dengan Tiga Nada Penyusun pada Instrumen Piano Menggunakan Learning Vector Quantization Nama : Sarah Rahmania Hanif NIM : G64110092
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 Desember 2014 ini ialah implementasi kecerdasan komputasional untuk pemodelan suara, dengan judul Pengenalan Suara Chord Dengan Tiga Nada Penyusun pada Instrumen Piano Menggunakan Learning Vector Quantization. Terima kasih penulis ucapkan kepada: 1 Ayah, ibu, dan kedua kakak yang selalu mencurahkan perhatiannya, mengingatkan serta mendoakan selama pengerjaan tugas akhir. 2 Bapak Dr Ir Agus Buono, MSi MKom selaku dosen pembimbing yang selalu meluangkan waktu untuk bimbingan serta memberi banyak masukan bermanfaat selama proses pengerjaan tugas akhir. 3 Bapak Muhammad Asyhar Agmalaro, SSi MKom dan Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen penguji atas kesediaan sebagai penguji. 4 Teman-teman Ilkom 48 serta keluarga besar Gentra Kaheman yang selalu memberi dukungan untuk lulus tepat pada waktunya. Semoga karya ilmiah ini bermanfaat.
Bogor, Agustus 2015 Sarah Rahmania Hanif
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vii
PENDAHULUAN
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Nada
2
Chord
3
Sinyal
4
METODE
5
Kerangka Penelitian
5
Lingkungan Pengembangan
6
Data Penelitian
7
Praproses Data
7
Pemodelan LVQ
10
Evaluasi
12
HASIL DAN PEMBAHASAN
12
Pengumpulan Data
12
Praproses
13
Pelatihan
14
Pengujian
15
Evaluasi
17
KESIMPULAN DAN SARAN
18
Kesimpulan
18
Saran
18
DAFTAR PUSTAKA
18
DAFTAR TABEL 1 Daftar chord triad yang digunakan sebagai data penelitian 2 Pembagian data latih dan data uji untuk proses cross validation dibagi menjadi empat variasi data 3 Confusion matrix model lvq0 pada learning rate 0.005 dengan akurasi 95.833%
7 16 17
DAFTAR GAMBAR 1 Ilustrasi tujuh huruf pertama alfabet sebagai notasi pada nada 2 Ilustrasi dari beberapa notasi musik serta batas antar oktaf pada tangga nada diatonis dan kromatis (Benward dan Saker 2003) 3 Lima kelas chord berdasarkan jumlah nada penyusun (Benward dan Saker 2003) 4 Proses digitalisasi sinyal analog (Proakis dan Manolakis 2007) 5 Konversi bentuk sinyal analog menjadi sinyal diskret dalam proses Sampling 6 Pemberian level pada amplitudo (y) dalam proses quantization dan coding pada setiap level kuantisasi. 7 Tahapan pengembangan sistem pengenalan chord pada piano 8 Hasil sinyal window yang diperoleh dengan mengalikan sinyal pada frame dengan fungsi window Hamming. 9 Skala mel digambarkan dengan 20 filter segitiga sama tinggi yang terdiri dari 10 linear dan 10 algoritmik 10 Alur proses pembelajaran metode LVQ 11 Alur proses pengujian metode LVQ (Hidayati dan Warsito 2010) 12 Ilustrasi bentuk sinyal chord A (kiri) dan G (kanan) hasil pengambilan data melalui rekaman 13 Chord A (kiri) dan G (kanan) dinormalisasi 14 Chord A (kiri) dan G (kanan) setelah melalui proses silent removal 15 Kode fungsi beserta nilai parameter yang digunakan dalam MFCC 16 Penulisan kode program yang berbeda antara bobot C0 (kiri) dengan bobot C1 sampai C13 (kanan) 17 Iterasi yang dilakukan sistem untuk memperbarui nilai learning rate 18 Perhitungan jarak Euclidean yang digunakan dalam proses pengujian 19 Tingkat akurasi hasil klasifikasi data menggunakan empat belas model LVQ 20 Tingkat akurasi empat belas model lvq berdasarkan nilai learning rate (α) 21 Akurasi yang dihasilkan model lvq0 setelah dilakukan cross validatio
2 3 4 4 5 5 6 8 9 11 12 12 13 13 13 14 14 15 15 16 16
DAFTAR LAMPIRAN 1 Confusion matrix model lvq1 dengan perolehan akurasi terbaik 80.833% pada learning rate 0.001 2 Confusion matrix model lvq2 dengan perolehan akurasi terbaik 85.00% pada learning rate 0.004 3 Confusion matrix model lvq3 dengan perolehan akurasi terbaik 83.333% pada learning rate 0.001 4 Confusion matrix model lvq4 dengan perolehan akurasi terbaik 91.667% pada learning rate 0.005 5 Confusion matrix model lvq5 dengan perolehan akurasi terbaik 90.833% pada learning rate 0.010 6 Confusion matrix model lvq6 dengan perolehan akurasi terbaik 90.00% pada learning rate 0.001 7 Confusion matrix model lvq7 dengan perolehan akurasi terbaik 94.167% pada learning rate 0.003 8 Confusion matrix model lvq8 dengan perolehan akurasi terbaik 93.333% pada learning rate 0.002 9 Confusion matrix model lvq9 dengan perolehan akurasi terbaik 90.833% pada learning rate 0.001 10 Confusion matrix model lvq10 dengan perolehan akurasi terbaik 89.167% pada learning rate 0.005 11 Confusion matrix model lvq11 dengan perolehan akurasi terbaik 89.167% pada learning rate 0.008 12 Confusion matrix model lvq12 dengan perolehan akurasi terbaik 95.00% pada learning rate 0.001 13 Confusion matrix model lvq13 dengan perolehan akurasi terbaik 91.667% pada learning rate 0.005
20 21 22 23 24 25 26 27 28 29 30 31 32
PENDAHULUAN Piano merupakan alat musik yang paling dikenal dan paling disukai dari seluruh instrumen musik yang ada. Piano juga memiliki cakupan dan fleksibilitas yang lebih luas dibanding alat musik lain sehingga musik dari instrumen lainnya dapat diaransemen dalam bentuk piano dengan mudah (Ehrlich 1990). Dengan semakin berkembangnya dunia industri musik dan hiburan, instrumen piano semakin banyak diminati oleh khalayak ramai. Masyarakat dari berbagai kalangan pun banyak yang mulai mempelajari piano baik dengan mengikuti kursus atau belajar secara otodidak. Dalam belajar piano ada tahap yang harus dilalui seorang pemula, seperti pengenalan nada, not balok, istilah-istilah dasar, dan pada akhirnya dikenalkan dengan istilah chord beserta teknik permainan piano. Orang yang belajar secara otodidak sebagian besar tidak menjalani tahap tersebut dan langsung masuk ke proses pengenalan nada dan chord. Chord merupakan gabungan dari dua nada atau lebih yang dibunyikan secara bersandingan dengan pola permainan tertentu dan menghasilkan suara yang harmonis. Pola permainan chord pada piano yang paling mudah adalah dengan ditekan secara bersamaan kemudian ditahan sepanjang waktu tertentu. Permasalahan timbul ketika seseorang tidak tahu atau memiliki pengetahuan minimum tentang chord apa yang sedang dimainkan. Masalah ini sering dialami oleh pemula yang baru mengenal piano, terutama yang belajar secara otodidak. Oleh karena itu dibutuhkan sarana pendukung belajar piano bagi pemula berupa sistem yang dapat mengenali suara chord. Untuk meningkatkan daya gunanya, sistem diharapkan tidak hanya bisa mengenali chord yang dimainkan, tapi juga bisa mengidentifikasi nada-nada pembangun chord tersebut. Penelitian dalam bidang suara intrumen musik telah banyak dilakukan, salah satunya adalah penelitian Wisnudisastra dan Buono (2009). Dalam penelitian Wisnudisastra, dilakukan pemodelkan chord pada gitar menggunakan codebook tanpa mengindahkan nada penyusun chord. Fruandta (2011) melakukan penelitian serupa menggunakan instrumen piano. Penelitian tersebut mengidentifikasi suara nada campuran pada piano serta nada penyusunnya menggunakan codebook dan menghasilkan akurasi sebesar 98.2051%. Mengacu pada penelitian Fruandta (2011) yang menggunakan kombinasi dua nada sebagai fokus penelitian, penulis akan melakukan pemodelan pada chord piano dengan kombinasi tiga nada sebagai penyusun chord. Penelitian ini akan menggunakan metode learning vector quantization (LVQ) sebagai metode klasifikasi dan mel-frequency cepstrum coefficients (MFCC) sebagai fitur ekstraksi ciri. Salah satu alasan digunakannya MFCC sebagai fitur ekstraksi ciri adalah berhasilnya pengaplikasian MFCC terhadap musik dalam penelitian yang dilakukan Logan (2000).
Perumusan Masalah Berdasarkan latar belakang di atas, maka perumusan masalah dalam penelitian ini adalah:
2 1 Bagaimana ekstraksi ciri MFCC diterapkan dalam proses pengolahan suara chord? 2 Bagaimana metode LVQ diterapkan dalam pengenalan suara chord dengan tiga nada penyusun pada instrumen piano?
Tujuan Penelitian Tujuan dari penelitian ini adalah menerapkan MFCC sebagai fitur ekstraksi ciri dan metode LVQ sebagai classifier terhadap suara chord dengan tiga nada penyusun pada instrumen piano.
Manfaat Penelitian Penelitian ini diharapkan dapat mengasilkan model LVQ yang mengklasifikasikan chord dengan tepat agar bisa dikembangkan mejadi sistem yang membantu proses belajar piano.
Ruang Lingkup Penelitian Adapun ruang lingkup dari penelitian ini antara lain: 1 Kombinasi nada yang dikenali hanya terdiri dari tiga nada dan berada pada oktaf ke-4. 2 Suara yang dikenali sistem hanya chord mayor dan minor yang dimainkan dengan ditekan secara bersamaan. 3 Sampel suara diambil dari suara piano pada electone Yamaha EL-100.
TINJAUAN PUSTAKA Nada Nada adalah istilah suara tunggal dalam musik yang memiliki nilai pitch tertentu. Pitch dapat disamakan dengan frekuensi, sehingga variasi pitch dan variasi frekuensi adalah sama. Perbedaan nada merupakan akibat dari pitch yang bervariasi. Secara umum nada dinotasikan dengan tujuh huruf alfabet (A B C D E F G) (Benward dan Saker 2003) seperti yang diilustrasikan pada Gambar 1.
Gambar 1 Ilustrasi tujuh huruf pertama alfabet sebagai notasi pada nada
3 Nada yang sama dari alat musik yang berbeda akan memancarkan frekuensi yang sama. Hal yang menyebabkan perbedaan suara alat musik adalah warna suara, yaitu perbedaan bentuk, bahan, atau dimensi dari sumber suara. Menurut Benward dan Saker (2003) dalam musik terdapat beberapa istilah susunan tangga nada. Tangga nada diatonis, terdiri dari tujuh nada dasar: C (do), D (re), E (mi), F (fa), G (sol), A (la), B (si). 1 1 Jarak antar nada : 1 – 1 – 2 – 1 – 1 – 1 – 2 Tangga nada kromatis, terdiri dari dua belas nada yang berasal dari modifikasi nada diatonis : C, C#, D, D#, E, F, F#, G, G#, A, A#, B. 1 1 1 1 1 1 1 1 1 1 1 1 Jarak antar nada : 2 – 2 – 2 – 2 – 2 – 2 – 2 – 2 – 2 – 2 – 2 – 2 Nada dituliskan dalam berbagai bentuk notasi. Notasi yang umum digunakan oleh musisi adalah not balok, yaitu nada yang dituliskan di atas staff (lima garis horizontal yang sejajar dan berjarak sama) dan selalu diawali oleh sebuah cleff (simbol yang selalu ditempatkan di depan staff). Namun dalam pembelajaran di sekolah, notasi yang umum digunakan adalah not angka karena lebih mudah dimengerti oleh khalayak ramai. Notasi umum lain adalah sharp (#) dan flat (b). Sharp berfungsi untuk menaikkan nada sebanyak setengah, dan flat berfungsi untuk menurunkan nada sebanyak setengah (lihat jarak tangga nada kromatis). Untuk mengidentifikasi tinggi rendahnya frekuensi suara pada suatu nada digunakan istilah oktaf. Tiap oktaf dibatasi oleh nada C dan B, sehingga dalam satu oktaf terdiri atas nada C – D – E – F – G – A – B. Ilustrasi dari beberapa notasi umum dalam not balok dapat dilihat pada Gambar 2.
Gambar 2 Ilustrasi dari beberapa notasi musik serta batas antar oktaf pada tangga nada diatonis dan kromatis (Benward dan Saker 2003)
Chord Menurut Benward dan Saker (2003) chord merupakan gabungan dari paling sedikit tiga nada yang dibunyikan secara bersandingan dengan pola permainan tertentu dan menghasilkan suara yang harmonis. Triad merupakan chord yang terdiri atas tiga nada penyusun, yang merupakan data penelitian ini. Setiap triad memiliki sebuah nada root yang menentukan chord yang dimainkan. Terdapat empat triad yang umum digunakan: Major triad, terdiri atas major third dan perfect fifth.
4 Minor triad, terdiri atas minor third dan perfect fifth. Diminished triad, terdiri atas minor third dan diminished fifth. Augmented triad, terdiri atas major third dan augmented fifth. Dari empat kelas triad hanya diambil major triad dan minor triad sebagai data penelitian karena kombinasinya terbukti lebih kuat dan stabil dibandingkan dengan diminished triad dan augmented triad. Selain triad masih ada bentuk chord yang terdiri atas lebih dari tiga nada penyusun. Chord dengan empat nada penyusun disebut seventh chord yang biasa dilambangkan dengan angka 7 dicetak superscript. Chord dengan lima nada penyusun disebut ninth chord. Chord dengan enam nada penyusun disebut eleventh chord, dan chord dengan tujuh nada penyusun disebut thirteenth chord. Pada Gambar 3 terdapat lima ilustrasi bentuk chord berdasarkan jumlah nada penyusunnya dengan menggunakan nada root G.
Triad
Seventh chord
Ninth chord
Eleventh chord
Thirteenth chord
Gambar 3 Lima kelas chord berdasarkan jumlah nada penyusun (Benward dan Saker 2003)
Sinyal Sinyal merupakan suatu besaran fisik yang berubah terhadap variabel aktu, ruang, atau variabel independen lainnya, sedangkan sinyal suara yang dihasilkan manusia adalah getaran yang dihasilkan dengan memaksa udara melewati pita suara (Proakis dan Manolakis 2007). Sinyal yang dihasilkan suara manusia ataupun hasil getaran objek lain seperti instrumen musik merupakan suatu sinyal waktu kontinu atau sinyal analog. Komputer tidak bisa mengolah sinyal dalam bentuk analog, sehingga harus dilakukan proses digitalisasi sinyal analog (analog to digital conversion). Gambar 4 merupakan ilustrasi analog to digital converter. A/D converter
Sampler
Analog signal
Quantizer
Discrete-time signal
Coder
Quantized signal
Digital signal
Gambar 4 Proses digitalisasi sinyal analog (Proakis dan Manolakis 2007) Menurut Proakis dan Manolakis (2007) proses digitalisasi dapat dibagi menjadi tiga rangkaian proses: Sampling, merupakan konversi dari bentuk sinyal dengan waktu kontinyu x(t) menjadi sinyal diskret x(nT), dimana n merepresentasikan index sampel dan T
5 merepresentasikan periode sampling. Ilustrasi proses sampling dapat dilihat pada Gambar 5. Jumlah titik sampel ditentukan berdasarkan nilai frekuensi (f) dan periode sampling merupakan nilai 1/f untuk setiap detik suara yang diambil. x(t)
x(nT)
t
t
Sampler
Gambar 5 Konversi bentuk sinyal analog menjadi sinyal diskret dalam proses sampling Quantization, merupakan proses konversi nilai amplitudo yang bersifat kontinyu menjadi beberapa level kuantisasi. Masukan dari proses kuantisasi adalah sinyal diskret x(nT) hasil sampling dan menghasilkan keluaran berupa level kuantisasi y(nT) dari setiap sampel. Ilustrasi pembagian level kuantisasi pada A/D converter terdapat pada Gambar 6. Coding, pemberian bilangan biner pada setiap level kuantisasi dan merupakan hasil akhir dari proses anolog to digital converter. Implementasi bilangan biner hasil dari coding dapat dilihat pada Gambar 6. Output
Input
Gambar 6 Pemberian level pada amplitudo (y) dalam proses quantization dan coding pada setiap level kuantisasi.
METODE Kerangka Penelitian Secara umum tahapan pengembangan dari sistem pengenalan chord dengan tiga nada penyusun menggunakan LVQ terdiri dari empat kegiatan utama, yaitu akuisisi data, praproses, pemodelan sistem, dan evaluasi. Alur metode penelitian dapat dilihat pada Gambar 7.
6
LVQ training
Gambar 7 Tahapan pengembangan sistem pengenalan chord pada piano Lingkungan Pengembangan Pada penelitian ini digunakan beberapa perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut: Perangkat keras: • Komputer personal ASUS N46V, Prosesor Intel Core i7 • Instrumen musik Yamaha Electone EL-100 Perangkat lunak: • Sistem operasi Windows 7 Home Premium • Matlab 2008, sebagai text editor dan compiler • Microsoft Excel 2013, sebagai media pengolah data
7 Data Penelitian Data yang digunakan adalah suara dari 24 chord triad yang berada pada kelas major triad dan minor triad. Suara yang dikenali sistem adalah suara chord yang dimainkan dengan cara ditekan secara bersamaan kemudian ditahan selama hitungan waktu tertentu. Daftar 24 chord yang akan dijadikan sampel akan dipaparkan pada Tabel 1. Tabel 1 Daftar chord triad yang digunakan sebagai data penelitian Major triad
Minor triad
C
Cm
C#
C#m
D
Dm
D#
D#m
E
Em
F
Fm
F#
F#m
G
Gm
G#
G#m
A
Am
b
B
Bbm
B
Bm
Chord dimainkan menggunakan alat musik Electone tipe EL-100 dan direkam langsung menggunakan Matlab pada laptop selama 3 detik dengan sampling rate sebesar 11000 Hz. Setiap chord akan dimainkan dengan pengulangan sebanyak 20 kali, dengan pembagian 15 suara sebagai data latih dan 5 suara sebagai data uji. Jumlah total data yang akan diperoleh adalah sebanyak 480 sampel suara, dengan 360 sampel digunakan sebagai data latih, dan 120 sampel sebagai data uji.
Praproses Data Praproses data terdiri dari tiga tahap kegiatan, yaitu normalisasi, silent removal, dan ekstraksi ciri MFCC. Normalisasi adalah mengubah jarak maksimum amplitudo seluruh sinyal menjadi satu standar yang sama, sedangkan silent removal adalah menghilangkan bagian tanpa suara yang terdapat pada suatu sinyal. Ekstraksi ciri merupakan proses untuk menentukan satu nilai atau vektor yang dapat digunakan sebagai penciri objek. Dalam pemrosesan suara, ciri yang biasa digunakan adalah nilai koefisien cepstral dari sebuah sinyal. MFCC banyak digunakan dalam berbagai bidang pemrosesan suara terutama sistem speaker identification. MFCC dalam music identification telah dilakukan oleh Logan (2000). Pada penelitiannya Logan menyatakan bahwa pemodelan suara yang dihasilkan melalui ekstraksi ciri berbasis skala mel jauh lebih baik dibanding ekstraksi ciri berbasis linear. Terdapat lima proses utama dalam ekstraksi ciri MFCC yaitu frame
8 blocking, wondowing, fast fourier transform, mel frequency wrapping, dan cepstrum coefficient (Gan dan Kuo 2005). 1 Frame blocking Sinyal analog yang sudah didigitalisasi akan dibaca frame demi frame dengan lebar tertentu. Setiap frame memiliki N sample yang direpresentasikan dalam bentuk vektor. Tidak menutup kemungkinan terjadi overlapping antar frame. Overlap dilakukan untuk mengurangi diskontinuitas antar frame tetangga. Proses overlapping dipengaruhi oleh performa komputer, semakin besar nilai overlap akan membutuhkan performa yang lebih besar. Jika komputer memiliki performa rendah nilai overlap bisa dikurangi atau bahkan bernilai negatif. 2 Windowing Windowing bertujuan untuk mengurangi terjadinya aliasing yang merupakan suatu efek dari timbulnya sinyal baru yang memiliki frekuensi berbeda dengan sinyal aslinya. Efek tersebut dapat terjadi karena rendahnya jumlah sampling rate atau karena proses frame blocking yang menyebabkan sinyal menjadi diskontinu. Windowing dilakukan dengan mengalikan tiap frame dengan fungsi window. Ilustrasi proses windowing dapat dilihat pada Gambar 8. Jika kita mendefinisikan fungsi window sebagai w(n), dan x(n) sebagai sinyal digital pada frame ke-n, maka hasil dari windowing diformulasikan sebagai berikut: y(n) = x(n) ∙ w(n)
(1)
dengan: y = vektor hasil windowing x = vektor sinyal pada satu frame w = fungsi window Hamming n = indeks sampel pada satu frame Pada umumnya window yang digunakan adalah Hamming window. Nilai Hamming window dapat diperoleh menggunakan formula berikut: w(n) = 0.54 - 0.46 cos (2π
n N-1
)
(2)
dengan: N = jumlah sampel pada satu frame
Gambar 8 Hasil sinyal window yang diperoleh dengan mengalikan sinyal pada frame dengan fungsi Hamming window 3 Fast Fourier transform (FFT) FFT adalah algoritme cepat untuk mengimplementasikan discrete Fourier transform (DFT). FFT akan mengubah masing-masing frame N sampel dari domain waktu menjadi domain frekuensi yang didefinisikan sebagai berikut (Gan dan Kuo 2005):
9 N
X(k) = ∑ y(n) exp (
-2πjkn ) N
(3)
n=0
dengan: X = k = y = j = N =
vektor hasil transformasi Fourier indeks hasil transformasi Fourier pada satu frame vektor hasil windowing bilangan imajiner jumlah sampel pada satu frame
Ada kalanya array dalam domain frekuensi direpresentasikan dalam koordinat polar Re X[k] dan Im X[k], yang merupakan pasangan bilangan real dan imajiner. Dalam koordinat polar, domain frekuensi dapat ditulis dalam bentuk: 1/2 (4) |X[k]|=(Re X[k]2 +Im X[k]2 ) dengan: |X[k]| = Magnitude vektor transformasi Fourier 4 Mel frequency wrapping Dalam proses wrapping diperlukan beberapa filter yang saling overlap dalam domain frekuensi. Skala mel dibentuk untuk mengikuti persepsi sistem pendengaran manusia, yaitu frekuensi rendah yang bersifat linear di bawah 1000 Hz dan frekuensi tinggi yang bersifat logaritmik di atas 1000 Hz. Ilustrasi skala mel dalam filter segitiga dapat dilihat pada Gambar 9.
Gambar 9 Skala mel digambarkan dengan 20 filter segitiga sama tinggi yang terdiri dari 10 linear dan 10 algoritmik Dengan Hi(k) adalah nilai filter segitiga ke-i, dapat dihitung spektrum mel menggunakan formula berikut: N-1
s(i)= log10 (∑|X(k)|Hi (k)) , i=1, 2, 3, …, M k=0
dengan: s = i = M = H = X = k =
vektor spektrum mel indeks filter jumlah filter nilai filter segitiga vektor hasil transformasi Fourier indeks hasil transformasi Fourier pada satu frame
(5)
10 5 Cepstrum coefficient Koefisien cepstral merupakan hasil transformasi cosinus dari spektrum mel yang kemudian dipilih sebanyak k koefisien. Transformasi cosinus berfungsi untuk mengembalikan domain, dari domain frekuensi menjadi domain waktu. Berikut adalah formula discrete cosine transform (Gan dan Kuo 2005): M
Cj = ∑ s(i) cos (j i=1
dengan: C = j = s = M =
(i-1) π ) 2 M
(6)
vektor koefisien cepstral indeks koefisien cepstral vektor spektrum mel jumlah filter
Pemodelan LVQ Learning vector quantization (LVQ) adalah salah satu metode pengenalan pola (klasifikasi) yang masing-masing unit output mewakili kategori atau kelas tertentu. LVQ termasuk salah satu jenis jaringan syaraf tiruan (JST). Vektor bobot yang merepresentasikan setiap kelas seringkali disebut vector reference atau codebook. Berikut adalah algoritme LVQ menurut Fausett (1994): 1 Tentukan vektor referensi dan learning rate, α(0) 2 Selama kondisi berhenti belum terpenuhi, lakukan langkah 3-6 3 Untuk semua vektor masukan X, lakukan langkah 4-5 4 Temukan J sehingga || X – Wj || bernilai minimum 5 Update nilai Wj sesuai ketentuan pada dua persamaan berikut: Wj (baru) = Wj (lama) + α [X - Wj (lama)]; jika T = Cj Wj (baru) = Wj (lama) - α [X - Wj (lama)]; jika T ≠ Cj 6 Kurangi learning rate dengan besaran Dec α α = α * Dec α 7 Cek kondisi berhenti yitu ketika jumlah iterasi mencapai nilai yang ditentukan dengan: X = vektor uji atau vektor masukan (X1, X2, ..., Xi, ..., Xn) T = kategori atau kelas yang benar untuk vektor masukan Wj = vektor bobot untuk unit kerja j (W1j, W2j, ..., Wij, ..., Wnj) Cj = kategori atau kelas direpresentasikan oleh unit keluaran ke j || Xi Wj || = jarak euclidean antara vektor masukan dan unit keluaran ke j Pada tahap ini JST (LVQ) digunakan untuk proses pelatihan dan pengujian. Beberapa parameter yang akan dibutuhkan dalam algoritma LVQ diantaranya adalah, α yaitu learning rate, Dec α yaitu penurunan learning rate, dan epoch atau iterasi maksimum yang boleh dilakukan selama pelatihan. Sebelum tahap pelatihan dimulai, bobot (w) harus diinisiasi terlebih dahulu sebagai bobot awal. Vektor yang akan dilatih adalah vektor koefisien cepstral dari data latih. Proses pelatihan data menggunakan LVQ diilustrasikan pada Gambar 10. Bagan pelatihan LVQ diadopsi dari penelitian Hidayati dan Warsito (2010).
11
Gambar 10 Alur proses pembelajaran metode LVQ Setelah dilakukan pelatihan, akan diperoleh bobot akhir (W) atau dikenal sebagai model LVQ. Dalam percobaan akan dihasilkan empat belas model LVQ dengan inisiasi bobot awal yang berbeda. Empat belas model ini selanjutnya akan digunakan untuk melakukan simulasi pengujian. Gambar 11 akan mengilustrasikan proses pengujian LVQ menggunakan data uji dan model yang sudah diperoleh.
12
Gambar 11 Alur proses pengujian metode LVQ (Hidayati dan Warsito 2010) Pengujian LVQ dimulai dengan memasukkan data uji dan bobot akhir kemudian menghitung jarak antara keduanya. Perhitungan jarak dilakukan menggunakan formula euclidean distance. Setelah diperoleh jarak untuk setiap bobot, pilih neuron dengan nilai jarak paling kecil. Neuron dengan jarak terkecil mengindikasikan kelas hasil klasifikasi LVQ. . Evaluasi Evaluasi merupakan tahap terakhir untuk menentukan tingkat akurasi proses klasifikasi. Perhitungan dilakukan dengan membandingkan banyaknya chord yang diklasifikasikan benar dengan jumlah seluruh chord yang diujikan. akurasi =
∑ chord benar × 100% ∑ chord yang diuji
(7)
HASIL DAN PEMBAHASAN Pengumpulan Data Data yang dikumpulkan berjumlah 480 data suara yang terdiri dari 24 chord triad. Suara direkam langsung menggunakan matlab selama 3 detik dengan sampling rate sebesar 11.000 Hz. Suara yang direkam akan disimpan dalam extensi *.wav. Gambar 12 menunjukkan bentuk sinyal dari dua chord yang telah direkam.
Gambar 12 Ilustrasi bentuk sinyal chord A (kiri) dan G (kanan) hasil pengambilan data melalui rekaman
13 Praproses Setelah data sinyal diperoleh dilakukan proses normalisasi sinyal. Standar jarak amplitudo yang digunakan dalam penelitian ini adalah 1.0 dan -1.0. Setelah dinormalisasi sinyal akan melalui tahap silent removal. Silent removal dilakukan menggunakan algoritma pitch tracking dan deteksi unvoice dari penelitian yang dilakukan oleh Wasserblat et al. (2008). Gambar 13 akan menunjukkan sinyal yang sudah dinormalisasi dan Gambar 14 menunjukkan bentuk sinyal yang sudah menjalani silent removal.
Gambar 13 Chord A (kiri) dan G (kanan) dinormalisasi
Gambar 14 Chord A (kiri) dan G (kanan) setelah melalui proses silent removal Tahap praproses berikutnya adalah melakukan ekstraksi ciri MFCC terhadap data yang sudah dinormalisasi. MFCC dilakukan dengan menggunakan sampling rate 11000 Hz, frame rate 25 ms, window size 256, dan menghasilkan 13 koefisien cepstral dalam bentuk vektor. Gambar 15 menunjukkan fungsi yang digunakan pada MFCC. chord_mfcc{n} = mean (mfcc (speech,fs,Tw,Ts,alpha,window,R,M,N,L)’); % % % % % % %
Speech = input; Fs = 11000; Tw = 25; Ts = 10; alpha = 0.95; window = 256 R = [ 300 3700 ];
% % %
M = 20; C = 13; L = 22;
% % % % %
analysis frame duration (ms) analysis frame shift (ms) preemphasis coefficient analysis window function handle frequency range for filterbank analysis % number of filterbank channels % number of cepstral coefficients % cepstral sine lifter parameter
Gambar 15 Kode fungsi beserta nilai parameter yang digunakan dalam MFCC
14 Pelatihan Pelatihan dilakukan pada 360 data latih yang sudah melalui tahap ekstraksi ciri MFCC. Pertama akan dilakukan inisiasi kelas data training serta bobot awal. Kelas inisiasi terdiri dari 24 kelas yang merepresentasikan 24 chord triad yaitu C, C#, Cm, C#m, D, D#, Dm, D#m, E, Em, F, F#, Fm, F#m, G, G#, Gm, G#m, A, A#, Am, A#m, B, dan Bm. Terdapat empat parameter utama yang mempengaruhi hasil pelatihan LVQ yaitu learning rate (α), bobot awal (W0), faktor penurunan learning rate, dan jumlah maksimal iterasi (epoch). Bobot awal (W0) dan learning rate (α) akan menjadi variabel bebas dalam percobaan pemodelan LVQ sedangkan nilai faktor penurunan learning rate adalah 0.5 dan nilai epoch sebesar 30. Bobot awal LVQ menggunakan 14 variasi vektor, yaitu 13 vektor yang diambil dari masing-masing kolom kelas inisiasi (C1, C2, C3, C4, C5, C6, C7, C8, C9, C10, C11, C12, C13) dan 1 vektor yang diperoleh dari hasil rata-rata seluruh kolom kelas inisiasi (C0). Gambar 16 menunjukkan penulisan kode program yang berbeda untuk setiap variasi bobot awal. rata-rata sebagai bobot awal
c = 1 % c = kolom menjadi bobot (1:13)
w{1}(:,1)=mean(class{1})'; w{1}(:,2)=mean(class{2})'; w{1}(:,3)=mean(class{3})';
w{1}(:,1)=class{1}(c,:)'; w{1}(:,2)=class{2}(c,:)'; w{1}(:,3)=class{3}(c,:)'; ...
... w{1}(:,22)=mean(class{22})'; w{1}(:,23)=mean(class{23})'; w{1}(:,24)=mean(class{24})';
yang
w{1}(:,22)=class{22}(c,:)'; w{1}(:,23)=class{23}(c,:)'; w{1}(:,24)=class{24}(c,:)';
Gambar 16 Penulisan kode program yang berbeda antara bobot C0 (kiri) dengan bobot C1 sampai C13 (kanan) Learning rate bernilai lebih besar dari 0 dan lebih kecil dari 1. Untuk setiap variasi bobot awal, learning rate akan dimulai dari 0.001 dan seterusnya ditambah sebesar 0.001 hingga mencapai nilai 0.999 sehingga terdapat 999 variasi nilai pada learning rate. Implementasi dari iterasi penambahan learning rate dapat dilihat pada Gambar 17. alfa = 0.001; epoch = 30; lvq_model = []; while alfa < 1; lvq_model = lvq(alfa, epoch); alfa = alfa + 0.001; i = i + 1; end
Gambar 17 Iterasi yang dilakukan sistem untuk memperbarui nilai learning rate
15 Bobot awal akan diperbarui secara bertahap sesuai dengan besarnya epoch yang sudah ditentukan. Setelah mencapai iterasi maksimal bobot yang paling terakhir diperbarui menjadi bobot akhir. Bobot akhir dari proses pelatihan LVQakan menjadi model untuk proses klasifikasi pada pengujian. Pada akhir proses pelatihan akan terbentuk empat belas model LVQ (lvq0, lvq1, lvq2, lvq3, lvq4, lvq5, lvq6, lvq7, lvq8, lvq9, lvq10, lvq11, lvq12, lvq13) yang masing-masing menggunakan bobot awal yang berbeda.
Pengujian Pengujian dilakukan dengan membandingkan selisih jarak antara koefisien data uji dengan model LVQ yang sudah diperoleh. Pada Gambar 18 dapat dilihat bahwa perhitungan jarak Euclidean digunakan untuk menghitung selisih vektor model LVQ dengan vektor koefisien input. Dengan membandingkan selisih jarak antara data uji dan 24 kelas output akan diperoleh hasil klasifikasi data input. for i=1:24; temp_class=model_lvq{k}(:,i)'; jarak (n,i)=sqrt(sum(((temp_class)-(input {1,n})).^2)); end
Gambar 18 Perhitungan jarak Euclidean yang digunakan dalam proses pengujian Gambar 19 menunjukkan akurasi tertinggi yang diperoleh dari empat belas model LVQ dengan masing-masing inisiasi bobot awal yang berbeda. Akurasi tertinggi dilihat dari persentase jumlah data benar terbanyak dalam satu model LVQ pada satu nilai learning rate (α). 100
95.83
91.67 90.83 90.00 94.17 93.33 90.83 89.17 89.17 95.00 91.67 80.83 85.00 83.33
lvq0
lvq1
Akurasi (%)
80 60 40 20 0 lvq2
lvq3
lvq4
lvq5
lvq6
lvq7
lvq8
lvq9 lvq10 lvq11 lvq12 lvq13
Model LVQ
Gambar 19 Tingkat akurasi hasil klasifikasi data menggunakan empat belas model LVQ Empat belas model LVQ pada Gambar 19 hanya menunjukkan akurasi yang bernilai maksimal pada satu nilai learning rate, sedangkan terdapat 999 nilai learning rate yang diujikan, yaitu antara 0.001 sampai 0.999. Untuk nilai alfa yang berbeda, akurasi tertinggi yang dicapai bisa berasal dari model yang berbeda pula. Gambar 20 memperlihatkan tingkat akurasi empat belas model LVQ terhadap 999 nilai learning rate. Hasil percobaan menunjukkan bahwa akurasi tertinggi, yaitu puncak paling tinggi pada grafik, diperoleh dari model lvq0 dengan nilai 95.833%. Tingkat akurasi tersebut diperoleh secara stabil ketika learning rate (α) bernilai antara 0.036 sampai 0.076. Sedangkan akurasi paling rendah diperoleh dari model lvq1 ketika learning rate bernilai 0.993 yaitu sebesar 0.833%.
100 90 80 70 60 50 40 30 20 10 0 0.001 0.029 0.057 0.085 0.113 0.141 0.169 0.197 0.225 0.253 0.281 0.309 0.337 0.365 0.393 0.421 0.449 0.477 0.505 0.533 0.561 0.589 0.617 0.645 0.673 0.701 0.729 0.757 0.785 0.813 0.841 0.869 0.897 0.925 0.953 0.981
Akurasi (%)
16
Learning rate (α) lvq0 lvq7
lvq1 lvq8
lvq2 lvq9
lvq3 lvq10
lvq4 lvq11
lvq5 lvq12
lvq6 lvq13
Gambar 20 Tingkat akurasi 14 model LVQ berdasarkan nilai learning rate (α) Berikutnya dilakukan cross validation terhadap model lvq0 menggunakan variasi data latih dan data uji yang berbeda. Cross validation dilakukan untuk membandingkan tingkat akurasi suatu model ketika mengganti variasi data latih dan data uji yang sebelumnya digunakan. Tabel 2 menunjukkan pola data yang digunakan dalam cross validation sedangkan Gambar 21 merupakan ilustrasi hasil cross validation model lvq0. Tabel 2 Pembagian data latih dan data uji untuk proses cross validation dibagi menjadi empat variasi data Pembagian data cross validation Fold-1 Fold-2 Fold-3 Fold-4
1-5 Latih Uji Latih Latih
Indeks data suara untuk setiap chord 6 - 10 11 - 15 Latih Latih Latih Latih Uji Latih Latih Uji
16 – 20 Uji Latih Latih Latih
100 90 80 70 60 50 40 30 20 10 0 0.001 0.027 0.053 0.079 0.105 0.131 0.157 0.183 0.209 0.235 0.261 0.287 0.313 0.339 0.365 0.391 0.417 0.443 0.469 0.495 0.521 0.547 0.573 0.599 0.625 0.651 0.677 0.703 0.729 0.755 0.781 0.807 0.833 0.859 0.885 0.911 0.937 0.963 0.989
Akurasi (%)
Data uji terdiri dari 120 data yang terbagi menjadi 24 kelas, sehingga terdapat 5 data uji pada masing-masing kelas dari keseluruhan 20 data. Pola awal yang digunakan pada semua model adalah Fold-1, yaitu menggunakan data 16 sampai 20 sebagai data uji. Terhadap model lvq0 dilakukan tiga kali cross validation menggunakan pola Fold-2, Fold-3 dan Fold-4.
Learning rate (α) fold1
fold2
fold3
fold4
Gambar 21 Akurasi yang dihasilkan model lvq0 setelah dilakukan cross validation
17 Hasil cross validation menunjukkan bahwa tiga pola pembagian data tersebut menghasilkan akurasi yang lebih tinggi daripada Fold-1. Fold-2 menghasilkan akurasi tertinggi sebesar 97.500%, Fold-3 sebesar 99.167% dan Fold-4 sebesar 99.167%. Melalui percobaan tersebut dapat dikatakan bahwa komposisi data latih pada Fold-2, Fold-3 dan Fold-4 lebih mewakili seluruh data dibandingkan Fold-1.
Evaluasi Berdasarkan hasil pengujian diperoleh akurasi tertinggi sebesar 95.833% dari model lvq0 dengan bobot awal C0 (rata-rata dari seluruh kolom kelas) dan learning rate bernilai antara 0.036 sampai 0.076. Akurasi paling rendah adalah 0.833% dari model lvq1 dengan bobot awal C1 (kolom pertama kelas) dan learning rate 0.993. Tabel 3 menunjukkan hasil pengujian model lvq0 yang diilustrasikan menggunakan confusion matrix pada learning rate 0.005 yang masih berada pada jarak 0.036 dan 0.076.
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Tabel 3 Confusion matrix model lvq0 pada learning rate 0.005 dengan akurasi 95.833%
5 0 0 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
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 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 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 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 0 0 4 0 0 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 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 0 0 2 0 0 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 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 3 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 0 0 5 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 0 0 5 0 0 0 0 0 0 0
0 0 0 0 0 0 1 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 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 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 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 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 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 0 0 5
18 Confusion matrix menunjukkan bahwa dari 120 data uji yang ada, 115 data terklasifikasi secara benar dan 5 data lainnya terklasifikasi salah. Kesalahan klasifikasi terjadi pada tiga chord yaitu 1 chord Dm terklasifikasi menjadi G#m, 3 chord Em terklasifikasi menjadi Fm, dan 1 chord G terklasifikasi menjadi F#m. Confusion matrix pada nilai learning rate yang berbeda menunjukkan hal serupa, yaitu kesalahan klasifikasi terbanyak terdapat pada chord Em. Confusion matrix untuk model lvq1 sampai lvq13 dapat dilihat pada Lampiran 1 sampai Lampiran 13.
KESIMPULAN DAN SARAN Kesimpulan Penelitian ini telah berhasil mengenali suara chord triad dengan menerapkan metode klasifikasi JST LVQ. Berdasarkan hasil pengujian tingkat akurasi tertinggi adalah 95.833% diperoleh dari model lvq0 dengan bobot awal C0, learning rate antara 0.036 sampai 0.076, penurunan learning rate sebesar 0.5, serta epoch sebesar 30. Semua model LVQ memiliki beberapa kesamaan. Pertama, kesalahan klasifikasi selalu terjadi pada chord Em dalam jumlah yang cukup banyak. Hal ini dapat disebabkan oleh pola sinyal chord Em yang mirip dengan chord lain sehingga LVQ mendekatkannya pada vektor bobot kelas lain. Selain chord Em, chord yang memiliki akurasi rendah secara stabil pada beberapa model LVQ adalah Dm dan Fm. Persamaan lain yang dimiliki semua model LVQ adalah, akurasi tertinggi dari setiap model dicapai pada learning rate tertentu yang lebih kecil dari 0.100. Akurasi mulai mengalami penurunan secara signifikan ketika alfa mendekati nilai 1.0.
Saran Saran untuk pengembangan berikutnya yaitu: 1 Membuat implementasi dari model LVQ yang sudah diperoleh 2 Menganalisis penyebab rendahnya akurasi pada chord Em dan beberapa chord dengan akurasi rendah lainnya.
DAFTAR PUSTAKA Benward B, Saker M. 2003. Music: In Theory and Practice, Volume ke-1. Ed ke8. New York (US): McGraw-Hill. Ehrlich C. 1990. The Piano: A History. Oxford (GB): Clarendon Press. Fausett L. 1994. Fundamentals of Neural Network: Architectures, Algorithms, and Applications. New Jersey (US): Prentice-Hall.
19 Fruandta A. 2011. Identifikasi campuran nada pada suara piano menggunakan codebook [skripsi]. Bogor (ID): Institut Pertanian Bogor. Gan WS, Kuo SM. 2005. Digital Signal Processing: Architectures, Implementations, and Applications. New Jersey (US): Prentice-Hall. Hidayati N, Warsito B. 2010. Prediksi terjangkitnya penyakit jantung dengan metode learning vector quantization. Media Statistika. 3(1):21-30. Logan B. 2000. Mel frequency cepstral coefficient for music modeling. Di dalam: International Symposium on Music Information Retrieval; 2000 Okt 23-25; Massachusetts, USA. Cambridge (GB): Cambridge Research Laboratory. hlm 1-11. Proakis JG, Manolakis DG. 1996. Digital Signal Processing: Principles, Algorithms, and Applications. Ed ke-3. New Jersey (US): Prentice-Hall. Wasserblat M, Gainza M, Dorran D, Domb Y. 2008. Pitch tracking and voiced/unvoiced detection in noisy environment using optimal sequence estimation. IET Irish Signals and Systems Conference; 2008; Galway, Ireland. Galway (IE): Dublin Institute of Technology. hlm 43-48. Wisnudisastra E, Buono A. 2009. Pengenalan chord pada alat musik gitar menggunakan codebook dengan teknik ekstraksi ciri MFCC. JIIK. 14(1):1621.
20
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 1 Confusion matrix model lvq1 dengan perolehan akurasi terbaik 80.833% pada learning rate 0.001
5 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 0 0 2 0 0 2 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 3 0 2 0 0 0 0 0 1 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 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 0 0 4 0 0 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 2 0 3 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 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 5 0 3 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 1 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 5 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 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 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 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 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 0 0 5 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 1 0 0 0 5
21
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 2 Confusion matrix model lvq2 dengan perolehan akurasi terbaik 85.00% pada learning rate 0.004
2 0 0 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 2 0 0 2 0 0 0 0 0 0 0 0 0 0 0
2 0 5 0 0 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 2 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 5 0 2 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 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 5 0 0 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 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 5 0 3 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 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 5 1 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 0 0 5 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 1
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 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 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 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 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 0 0 4
22
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 3 Confusion matrix model lvq3 dengan perolehan akurasi terbaik 83.333% pada learning rate 0.001
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 5 0 1 0 0 0 0 0 3 0 0 1 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 0 0 2 0 0 4 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 1 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 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 5 0 0 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 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 5 0 4 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 2 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 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 0 0 4 0 0 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 0 0 5 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 3
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 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 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 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 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 0 0 2
23
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 4 Confusion matrix model lvq4 dengan perolehan akurasi terbaik 91.667% pada learning rate 0.005
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 4 0 0 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 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 1 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 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 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 0 0 4 0 0 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 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 0 0 2 0 0 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 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 0 0 5 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0 5 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 0 0 5 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 1
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 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 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 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 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 0 0 4
24
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 5 Confusion matrix model lvq5 dengan perolehan akurasi terbaik 90.833% pada learning rate 0.010
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 4 0 0 0 0 0 0 0 3 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 1 0 5 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 4 0 0 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 0 0 1 0 0 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 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 2 0 0 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 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 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 0 0 5 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 0 0 5 0 0 0 0 0 0 0
0 0 0 0 1 0 3 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 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 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 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 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 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 0 0 5
25
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 6 Confusion matrix model lvq6 dengan perolehan akurasi terbaik 90.00% pada learning rate 0.001
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 4 0 0 0 0 0 0 0 3 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 1 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 4 0 1 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 0 0 1 0 0 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 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 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 5 0 1 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 1 0 5 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 4 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 0 0 5 0 0 0 0 0 0 0
0 0 0 0 1 0 3 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 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 0 0 3 0 0 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 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 0 0 5 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 5
26
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 7 Confusion matrix model lvq7 dengan perolehan akurasi terbaik 94.167% pada learning rate 0.003
5 0 0 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
0 0 5 0 0 0 0 0 0 1 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 0 0 4 0 0 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 0 0 4 0 0 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 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 0 0 2 0 0 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 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 0 0 5 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 2 0 0 0 5 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 0 0 5 0 0 0 0 0 0 0
0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 1
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 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 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 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 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 0 0 4
27
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 8 Confusion matrix model lvq8 dengan perolehan akurasi terbaik 93.333% pada learning rate 0.002
5 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
0 4 0 0 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 1 0 5 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 4 0 1 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 0 0 3 0 0 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 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 0 0 2 0 0 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 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 2 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 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 0 0 4 0 0 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 0 0 5 0 0 0 0 0 0 0
0 0 0 0 1 0 1 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 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 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 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 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 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 0 0 5
28
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 9 Confusion matrix model lvq9 dengan perolehan akurasi terbaik 90.833% pada learning rate 0.001
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 2 0 0 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 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 3 0 5 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 4 0 0 0 0 0 0 0 0 0 1 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 0 0 4 0 0 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 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 0 0 2 0 0 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 0 0 5 0 1 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 0 0 4 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 0 0 5 0 0 0 0 0 0 0
0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 1
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 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 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 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 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 0 0 4
29
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 10 Confusion matrix model lvq10 dengan perolehan akurasi terbaik 89.167% pada learning rate 0.005
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 4 0 0 0 0 0 1 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 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 1 0 5 0 0 1 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 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 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 4 0 0 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 3
0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 1
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 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 0 0 5 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0 5 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 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 0 0 5 0 0 0 0 0 1
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 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 0 0 4 0 0 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 0 0 5 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
30
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 11 Confusion matrix model lvq11 dengan perolehan akurasi terbaik 89.167% pada learning rate 0.008
5 0 0 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
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 0 0 5 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 5 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 1 0 0 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 1 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 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 4 0 0 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 1 0 5 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 3 0 0 0 5 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 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 2 0 5 0 0 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 0 0 4 0 0 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 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 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 0 0 5
31
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 12 Confusion matrix model lvq12 dengan perolehan akurasi terbaik 95.00% pada learning rate 0.001
4 0 0 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 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 5 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 5 0 0 1 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 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 0 0 4 0 0 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 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 0 0 2 0 0 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 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 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 0 0 5 1 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 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 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 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 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 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 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 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 0 0 5
32
Bm
Bm
B
B
A#m
A#m
Am
Am
A#
A#
A
A
G#m
G#m
Gm
Gm
G#
G#
G
G
F#m
F#m
Fm
Fm
F#
F#
F
F
Em
Em
E
E
D#m
D#m
Dm
Dm
D#
D#
D
D
C#m
C#m
Cm
Cm
C#
C#
C
C
Lampiran 13 Confusion matrix model lvq13 dengan perolehan akurasi terbaik 91.667% pada learning rate 0.005
5 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 5 0 2 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 1 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 0 0 0 0 0 0
0 0 0 0 5 0 3 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 0 0 1 0 0 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 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 0 0 3 0 0 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 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 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 0 0 5 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 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 0 0 5 0 0 0 0 0 0 0
0 0 0 0 0 0 1 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 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 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 0 0 4 0 0 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 0 0 5 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 5
33
RIWAYAT HIDUP Penulis dilahirkan di Bogor, Jawa Barat pada tanggal 1 November 1993. Penulis merupakan putri ketiga dari tiga bersaudari, dari pasangan Ir H Tjiptadi, MM dan Dr Ir Hj Niken Ulupi, MSi. Penulis menempuh pendidikan formal sejak tahun 1999 di SDN Polisi 5 Kota Bogor dan lulus pada tahun 2005, kemudian melanjutkan pendidikan di SMP Negeri 5 Kota Bogor dan lulus pada tahun 2008. Setelah melalui bangku SMP penulis melanjutkan bersekolah di SMA Negeri 7 Kota Bogor dan menerima ijazah SMA pada tahun 2011. Pada tahun yang sama penulis menempuh jalur ujian tulis SNMPTN dan berhasil melanjutkan pendidikan di Departemen Ilmu Komputer, Institut Pertanian Bogor. Tahun 2012 penulis bergabung dengan Unit Kegiatan Mahasiswa Lises Gentra Kaheman dan aktif berkontribusi dalam kepengurusan sampai awal tahun 2015. Selain berkecimpung dalam kepengurusan penulis juga berkontribusi menjadi pelatih musik selama tiga tahun dan menghasilkan banyak karya yang ditampilkan dalam pagelaran maupun dimenangkan dalam beberapa kompetisi tingkat daerah.
