UNIVERSITAS GUNADARMA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
PENGETAHUAN DASAR AKORD BERBASIS ANN (ARTIFICIAL NEURAL NETWORK)
DISUSUN OLEH NAMA
: Achmad Sapari
NPM
: 20101059
JURUSAN
: Sistem Komputer
PROGRAM STUDI : Sistem Komputer PEMBIMBING
: 1.Irwan Arifin., SSi.,MMSI 2.Nurul Huda., SKom.,MT
Diajukan untuk melengkapi sebagian syarat Dalam mencapai gelar Sarjana Strata Satu ( S1 ) Jakarta 2006
ABSTRAKSI
Achmad Sapari 20101059 PENGETAHUAN DASAR AKORD BERBASIS ANN Skripsi, Fakultas Ilmu Komputer, 2006 Kata kunci : Akord, Jaringan Syaraf Tiruan, trainlm, trainoss ( xi + 55 + Lampiran )
Pengetahuan Akord Berbasis ANN merupakan sebuah pengembangan suatu sistem yang dapat digunakan untuk mengidentifikasi akord berdasarkan berdasarkan kombinasi-kombinasi notasi dalam musik. Proses pembelajaran tentang akord dan notasi didalam komputer menggunakan aplikasi toolbox pada Matlab, yaitu Neural Network Toolbox. Pengetahuan dasar yang digunakan pada dalam penelitian ini menggunakan model Backpropagation dengan model ANN yang digunakan adalah trainlm dan trainoss. Pengetahuan Dasar Akord Berbasis ANN terdiri dari beberapa proses, yaitu proses pengumpulan data mengenai akord, kemudian dilakukan proses pembacaan dan dinumerisasi pengujian untuk menguji tingkat keberhasilan dalam jaringan syaraf tiruan dilakukan dalam bentuk pelatihan. Hasil pelatihan akord dan notasi ke dalam jaringan syaraf tiruan mempunyai tingkat keberhasilan 100% dalam mengidentifikasi akord berdasarkan kombinasi input (notasi) yang terjadi.
Daftar Pustaka ( 1992-2004 )
PENDAHULUAN Multimedia merupakan kombinasi berbagai format media didalam komunikasi informasi. Multimedia memungkinkan orang-orang untuk berkomunikasi menggunakan media terintegrasi seperti audio, video, teks, grafik, fax, dan telepon. Pada zaman sekarang multimedia terus berkembang seiring dengan kemajuan teknologi informasi. Keduanya akan saling mendukung dan saling membutuhkan.
Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Salah satu kemampuan otak manusia yaitu mampu mengenali suara dengan cara mendengarkan dan mengingatnya walaupun suara yang didengarnya tidak begitu jelas dari suara yang sebenarnya. Dengan kemampuan otak yang terlatih, manusia dapat mengidentifikasikan pola suara musik dari setiap instrumen dan dapat membedakan jenis-jenis instrumen dalam suara musik yang didengarnya. Hal tersebut dikarenakan manusia pernah belajar mengenali suara-suara dari setiap instrumen musik dan mengingatnya didalam otak manusia. Kemampuan otak manusia tersebutlah yang memotivasi penulis untuk membuat sistem atau aplikasi, yang dapat mengenali akord musik yang sedang dimainkan dalam suatu lagu baik diradio, di televisi atau media elektronik lainnya. Metodologi, Hasil dan Pembahasan Chord Knowlegde-Base Development pada penelitian ini merupakan suatu proses pembentukan pengetahuan yang digunakan untuk mengidentifikasi akord dan notasi dimana proses tersebut dilakukan oleh komputer dengan menggunakan Neural Network (jaringan syaraf tiruan). Pada penelitian ini Chord Knowledge-Base Development dibuat menggunakan program Matlab dengan menggunakan Neural Network (Jaringan Syaraf Tiruan). Chord Knowlegde-Base Development digunakan untuk membentuk suatu pengetahuan yang digunakan komputer untuk proses pembelajaran identifikasi akord berdasarkan kombinasi not. Diharapkan komputer dengan Chord Knowledge base development tersebut memiliki kecerdasan seperti kecerdasan pada otak manusia, sehingga mampu mengidentifikasi akord musik. Pada proses Chord Knowlegde Base Development menggunakan beberapa tahap, seperti yang pada diagram blok dibawah ini.
Gambar 3.1 Proses pembentukan Knowledge mengenai akord
Tahap pertama, pada tahap ini penulis mencari bahan referensi untuk dijadikan bahan acuan untuk memahami tentang not-not yang ada dalam suatu akord. Pada penelitian ini data not-not dan akord akan diambil secara manual dengan ketentuan-ketentuan sebagai berikut : •
Referensi yang digunakan dalam penelitian ini diambil dari buku Keyboard Tabelle dan buku Top Hits Of The World.
•
Nada dasar yang digunakan dibatasi, maksimal mencapai dua oktaf.
•
Data akord yang memiliki kesamaan notasi akan dihilangkan.
Tahap kedua, pada tahap ini merupakan tahapan pembuatan tabel not-not dan akord, dimana pada tahapan ini penulis menumerisasi data akord yang masih berbentuk not balok menjadi data numerik.
Tahap ketiga, pada tahap ini, data sampel yang telah dinumerisasi akan dicoba untuk dilatih dan disimulasi berupa akord-akord dan notasinya dengan ANN.
Tahap keempat, pada tahap ini merupakan tahapan pembelajaran jaringan syaraf tiruan dengan menggunakan data tabel akord yang telah ternumerisasi yang telah dihasilkan dari proses musical knowledge. Proses pembelajaran Neural Network dalam Penelitian ini menggunakan model Backpropagation dengan Model ANN yang digunakan adalah trainlm (Levenberg-Marquardt backpropagation). Pengambilan Data dan Pembuatan Tabel Proses pengambilan data sampel dilakukan secara manual melalui buku, yaitu dengan mempelajari dan memahami akord-akord dan notasi melalui buku-buku akord dan notasi, dalam hal ini buku yang dipergunakan penulis dalam penelitian ini adalah Keyboard Tabelle.
Dikarenakan Matlab tidak dapat membaca not balok maka data sampel tersebut harus dinumerisasi, yaitu setiap nada-nada notasi dasar tersebut disimbolkan dengan bilangan numerik yang urut, yaitu : C(1), D(2), E(3), F(4), G(5), A(6), B(7), C’(8), D’(9), E’(10), F’(11), G’(12), A’(13), B’(14). Dan didalam akord terdapat symbol kress (#) dan mall (b), yang berarti
(mall) membuat nada dasar tersebut turun setengah dan # (kress)
membuat nada dasar tersebut naik setengah., dan bila sebuah nada dasar memiliki dua buah tanda
membuat nada dasar tersebut turun satu dan bila suatu nada dasar
memiliki dua buah tanda ## atau tanda
membuat nada dasar tersebut naik satu.
Gambar 3.2 Pembacaan nada dasar
Gambar 3.3 Pembacaan nada dasar dengan tanda
Gambar 3.4
Pembacaan nada dasar dengan tanda # Dikarenakan data akord tersebut masih dalam bentuk not balok, jadi data akord tersebut harus dikodekan ke dalam bilangan real agar dapat diproses dengan menggunakan ANN. Dalam penelitian ini data yang akord yang dijadikan Musical Knowledge adalah Akord C, Akord C# / Db, Akord D, Akord D# / Eb, Akord E, Akord F, Akord F# / Gb, Akord G, Akord G# / Ab, Akord A, Akord A# / Bb, dan Akord B.
Untuk eksperimen dua data sample dibuat berdasarkan referensi yang diperoleh dari buku “Top Hits of the World”, yaitu setiap not dasarnya dibuat berdasarkan posisi dari tuts piano dan setiap akord diberi simbol numerik secara urut seperti yang diilustrasikan pada gambar berikut :
Gambar 3.15 Pembacaan Not-Not Pengisi akord
Kode not pengisi akord disimbolkan berdasarkan tuts piano yang tertera seperti gambar 3.5, yaitu F(1), F#(2), G(3), G#(4), A(5), A#(6), B(7), C(8), C#(9), D(10), D#(11), E(12), sedangkan untuk kode akord dasar dan akord kombinasi disimbolkan secara urut, yaitu Tabel 3.6 Kode symbol-simbol akord
Akord Dasar C C# D D# E F F# G G# A A# B
Kode Akord Dasar 1 2 3 4 5 6 7 8 9 10 11 12
Kombinasi Akord Mayor (May) 7th minor(m) augment(+) Diminish (dim) m7 m7(-5) 6th 9th May 7th m6 7 sus4
Kode Kombinasi Akord 1 2 3 4 5 6 7 8 9 10 11 12 13
Pada data sample yang kedua kombinasi akord memiliki empat nada dasar, tetapi tidak semua kombinasi akord memiliki empat nada dasar, jadi nada dasar yang kosong disimbolkan dengan angka numerik 1000, angka numerik 1000 ini dikarenakan dalam pembacaan data komputer akan melakukan shorting data sehingga setiap nada dasar yang kosong akan selalu berada diurutan terakhir
Pembahasan Hasil Eksperimen 1 dan 2 Pada eksperimen satu data sample yang digunakan dibuat berdasarkan not-not dasar yang membentuk akord, data yang diperoleh setelah melakukan penyederhanan data sample berjumlah 1739 data akord. Pelatihan pada eksperimen satu menggunakan jumlah data sample yang terlalu banyak dan kompleks sehingga hal tersebut menyulitkan penulis dalam mengoreksi kesalahan yang terjadi pada pelatihan jaringan syaraf tiruan. Proses pelatihan jaringan syaraf tiruan yang telah dilakukan pada eksperimen satu telah berhasil berhasil mencapai target yang ditetapkan, tetapi pelatihan jaringan syaraf tiruan denganze model ANN trainlm, mencapai target pada epoch ke 354 dengan performance MSE (Mean Sequare Error ) = 9.99949e-005. Proses pelatihan belangsung selama 63 jam 17 menit. Sedangkan pelatihan jaringan syaraf tiruan dengan model ANN trainoss berlangsung selama satu menit, dan mencapai target pada epoch ke 250 dengan performance MSE (Mean Sequare Error ) = 0.000984391. Pada eksperimen dua, data sampel yang digunakan dibuat berdasarkan letak tuts piano, sehingga data sampel yang digunakan menjadi lebih terstruktur, dan jumlah data
yang digunakan jauh lebih sedikit dari data sampel yang digunakan pada eksperimen satu. Proses pelatihan jaringan syaraf tiruan pada eksperimen dua dengan model ANN trainlm berhasil mencapai target dan proses pelatihan berlangsung lebih cepat dari pelatihan yang dilakukan dengan data sampel yang pertama, yaitu dua menit, dan mencapai target pada epoch ke 107 dengan performance MSE (Mean Sequare Error ) = 8.85496e-005. Sedangkan pelatihan jaringan syaraf tiruan dengan model ANN trainoss berlangsung lebih lama dari pelatihan yang dilakukan dengan data sampel yang pertama, yaitu 20 menit, dan mencapai target pada epoch ke 19649 dengan performance MSE (Mean Sequare Error ) = 0.000999961.
Kesimpulan umum : a)
ANN akan lebih mudah mempelajari data sampel yang terstruktur dibandingkan data yang tidak terstruktur.
b)
Knowledge base berbasis ANN tentang akord musik dalam penelitian ini telah berhasil dibuat, dan data sample yang paling cocok untuk pembuatan knowledge base tentang akorddalam penelitian ini adalah data sampel yang kedua.
DAFTAR PUSTAKA 1. Jimmy Wales, “Ensiklopedia Bebas” From http://id.wikipedia.org/wiki/Akord, 13 mei 2006 2. Jong Jek Siang, ” Jaringan Syaraf Tiruan dan Pemrograman Menggunakan Matlab “, Penerbit Andi, 2005 3. Sri Kusuma Dewi, ” Membangun Jaringan Syaraf Tiruan menggunakan
Matlab
dan Excelink “, Graha Ilmu, 2004 4. Howard Demuth, Mark Beals, ”Neural Network Toolbox For Use With Matlab”, The Math Works, Inc, 1992
